Selección de sitios para el establecimiento de una red de estaciones hidrométricas usando decisión multicriterio y análisis hidrológico con modelo digital de elevaciones. Suplemento metodológico

Introducción

A pesar de la importancia de los datos hidrométricos para diseñar e implementar políticas efectivas de gestión de recursos hídricos, actualmente, la red de estaciones hidrométricas en funcionamiento en República Dominicana es limitada y enfrenta diversos desafíos (Burn 1997; INDRHI 2019; A. K. Mishra y Coulibaly 2010; Ashok K. Mishra y Coulibaly 2009). La distribución de estas estaciones es poco uniforme y, las que se encuentran en funcionamiento, están amenazadas por problemas de mantenimiento y reposición, debido a los bajos presupuestos asignados para este propósito y a la falta de personal estable (INDRHI 2019).

En el año 2019, solo 30 de un total de 170 estaciones hidrométricas inventariadas se encontraban en funcionamiento (INDRHI 2019). Se desconoce el estado actual de la red, pero a la fecha de elaboración de este informe, el personal técnico del INDRHI indicó que algunas estaciones podrían haber salido del sistema por problemas de nombramiento de personal y mantenimiento. Por lo tanto, es esencial expandir esta red para mejorar la representatividad y la precisión de los datos hidrométricos, lo que constituye una prioridad crítica.

La selección de sitios adecuados para la instalación de estaciones hidrométricas es crucial para la obtención de datos precisos y representativos (Ashok K. Mishra y Coulibaly 2009). Se deben considerar varios criterios relevantes, como la heterogeneidad climática y topográfica de la región, ya que estas variables influyen en la distribución de las precipitaciones y, por extensión, en la escorrentía dentro de la cuenca (World Meteorological Organization (WMO) y The International Association of Hydrological Sciences 1976). Además, la accesibilidad del sitio es fundamental para garantizar que el mantenimiento y la operación de las estaciones se pueda llevar a cabo de manera eficiente (Rojas Briceño et al. 2021).

Los criterios arriba mencionados fueron usados por este mismo equipo de investigación para proponer una red de estaciones meteoclimáticas, por lo consideramos oportuno aprovecharlos igualmente para diseñar la red de estaciones hidrométricas. En particular, las estaciones hidrométricas deben colocarse sobre corrientes fluviales donde midan los caudales de agua, por lo que es necesario contar con información geográfica precisa y densa sobre la red hidrográfica dominicana. Varios criterios adicionales deben cumplir los sitios de medición (Rantz 1982a, 1982b):

1. El tramo de corriente o curso fluvial (río, arroyo, cañada) elegido debe ser recto durante unos 100 metros corriente arriba y abajo del sitio de medición.
2. En todos los niveles, el flujo total está en una única corriente, sin flujo subterráneo que evite el sitio de interés.
3. El lecho del curso fluvial y sus márgenes, no sufren erosión ni sedimentación y están libres de plantas acuáticas (sección estable).
4. Las orillas de la corriente fluvial son permanentes, sin matorrales y lo suficientemente altas como para contener inundaciones.
5. Preferiblemente, el curso tiene controles naturales invariables (sección estable): son preferidos los lugares con afloramientos de sustrato y con rápidos estables para condiciones de flujo bajo, así como los estrechamientos del canal o una cascada o caída que no esté sumergida en momentos de flujo alto. Cuando estas condiciones no se pueden conseguir en el sitio elegido, entonces es necesaria la realización de una obra, como por ejemplo un vertedero. Sin embargo, no en todos los ríos es posible realizar esta obra, sobre todo si se trata de ríos muy anchos, por lo que se recurre a métodos alternos de medición de velocidades y estimación de área de la sección (área elemental).
6. En niveles extremadamente bajos, existe escorrentía o pozas aunque sólo sea aguas arriba, lo cual permite la continuidad de medición y evita altas velocidades en momentos de restablecimiento del caudal.
7. El sitio candidato está lo suficientemente alejado de confluencias o de los efectos de las mareas para evitar impactos indeseados en la medición.
8. Hay un tramo disponible para medir el caudal en todos los niveles cerca del sitio de medición.
9. El sitio es accesible para instalar, operar y mantener el lugar de medición, siendo su elección un compromiso entre estos criterios.

Para obtener algunos de estos criterios, es necesario compilar datos hidrológicos, geológicos y topográficos a nivel nacional. En principio, y reduciendo el análisis de selección de sitios a fuentes geoespaciales disponibles o derivables, se deben identificar tramos de cursos fluviales que cumplan con las siguientes características (Rantz 1982a, 1982b):

1. Alineación recta.
2. Rocas consolidadas expuestas (en contraposición a los sedimentos aluviales).
3. Las márgenes sujetas a desbordamiento.
4. Márgenes pronunciadas para garantizar el confinamiento del flujo.
5. Canales divididos.
6. Posible impacto de fenómenos/estructuras aguas arriba que induzcan variabilidad. Estos efectos pueden ser causados por afluentes, confluencias o embalses.
7. Viabilidad de instalar medidores de flujo.

Los criterios anteriores pueden derivarse a partir de una precisa y densa red hidrográfica del país, además de disponiendo de datos complementarios que puedan manejarse de forma integrada por medio de un sistema de información geográfica. Sin embargo, las fuentes de información geográfica sobre la hidrografía dominicana disponibles al público, no cuentan con la resolución espacial requerida como para generar todos los criterios relacionados arriba.

Existen al menos dos fuentes de información geográfica sobre la red hidrográfica dominicana. La primera es la red digitalizada a partir del mapa topográfico nacional escala 1:50,000 (“MTN-50k”) (Instituto Cartográfico Militar (ICM) 1989). La red del MTN-50K, aunque es bastante exhaustiva, es realmente una red parcial e inconsistente (e.g. uso de criterios subjetivos para definir cursos fluviales), y no aporta características morfométricas de las corrientes (e.g. jerarquía), además de que no es lo suficientemente precisa como para utilizarla, por sí sola, en análisis hidrológicos. No obstante, dicha red puede servir de insumo para crear el DEM con fines hidrológicos, como por ejemplo, la aplicación o tallado de la red.

La segunda fuente sobre la hidrografía dominicana es un conjunto de documentos técnicos y multitemáticos, tanto de ámbito nacional (INDRHI 2012, 1996; INDRHI y AQUATER 2000; INDRHI y EPTISA 2000; OEA y INDRHI 1994; Secretaría de Estado de Medio Ambiente y Recursos Naturales 2004; Rodríguez y Febrillet 2006), como de cuencas seleccionadas (CIDIAT y INDRHI 1992; Halcrow-COR Ing. S.A. 2002; SERCITEC y INDRHI 2002), realizados mayormente por personal del Instituto Nacional de Recursos Hidráulicos (INDRHI). Sin embargo, cada estudio fue elaborado con métodos distintos, por lo que no es viable la consolidación de una hidrografía consistente de ámbito nacional a partir de estos. Cabe destacar que se están dando pasos en esa dirección actualmente, tras haberse iniciado la actualización del Plan Hidrológico Nacional.

El presente estudio tiene, como primer objetivo generar una red densa de ríos, arroyos y cañadas (en la terminología geomorfológica, talweg, o línea que une puntos de elevaciones mínimas en vaguadas), elaborada a partir de las fuentes geoespaciales abiertas más precisas de las que se tenga conocimiento, con miras a seleccionar sitios idóneos para la instalación de estaciones hidrométricas. Para este cometido, optamos por generar la red a partir del modelo digital de elevaciones de mayor resolución espacial disponible al público en la actualidad, usando métodos semiautomáticos implementados en software de código abierto, y apoyándonos en fuentes pre-existentes, como el mapa topográfico nacional y el mapa geológico, entre otros.

Como segundo objetivo nos planteamos seleccionar sitios idóneos para la instalación de estaciones hidrométricas, considerando únicamente la escorrentía superficial en talwegs, excluyendo mediciones de pozos, lagos, canales de riego, embalses y otros cuerpos de agua distintos a ríos, arroyos y cañadas. Para esta labor, y como parte del diseño de la investigación, aprovechamos las unidades hexagonales ya elegidas previamente en el estudio complementario a este, donde se propuso aumentar la densidad de la red estaciones meteoclimáticas (ver informe titulado “Selección de sitios para el establecimiento de una red de estaciones meteoclimáticas en República Dominicana usando decisión multicriterio y análisis de vecindad”).

Notas sobre la unidad elemental talweg y la precisión de la red. Un talweg es una línea imaginaria sobre el terreno que une los puntos de más bajos de un valle (Foucault y Raoult 1985). Por lo tanto, no es el equivalente a un curso fluvial permanente, pues la circulación de agua dependerá de otros factores además de los meramente topgráficos (clima, umbral de acumulación elegido, sustrato, entre otros). En nuestro mapa, un talweg refleja el espacio por donde, potencialmente, el sobrante de agua circularía en forma de escorrentía superficial en condiciones de suelo saturado. Sin embargo, el trazado final que describa la escorrentía, estará condicionado por múltiples factores (temporales, de cobertura, de suelo) siendo en gran medida dependiente de la precisión del DEM y del relieve en cuestión. Particularmente, sobre la precisión de la red, consideramos que es alta en sistemas montañososos no kársticos, y media en sistemas kársticos. En particular, refiriéndonos a los sistemas kársticos, la incertidumbre fue ligeramente mayor en nuestro mapa porque no se dispone de un inventario exhaustivo y preciso de depresiones (e.g. dolinas), que son, en última instancia, las que condicionan la topología y jerarquización de la red en estos relieves. Para llenar este vacío, a partir del modelo de elevaciones elegido, creamos nuestro propio inventario de depresiones, pero lo usamos con cautela para definir la localización de sumideros reales por donde el flujo se infiltra al karst. Finalmente, es importante señalar que, en áreas urbanas y llanas, así como en campos con canales de riego, nuestra red puede tener una baja precisión. No obstante, esto no afecta el alcance de nuestro estudio, ya que nuestros objetivos se centran en otras áreas.

Notas sobre cuencas transfronterizas. Las cuencas transfronterizas fueron caracterizadas sólo con la información de la porción de territorio dominicano, por lo cual el orden de red obtenido para las redes correspondientes, no necesariamente refleja el orden de real. Estas cuencas incluyen las de los ríos Artibonito, Pedernales y Masacre, así como varias cuencas pequeñas distribuidas a ambos lados de la línea fronteriza. Sin embargo, una rápida inspección visual sugiere que la referida omisión, no afecta el objetivo de nuestro estudio.

Los resultados de este estudio ofrecen la oportunidad de mejorar la red de estaciones hidrométricas, y tienen el potencial de informar medidas de conservación, planificación y gestión de recursos hídricos a nivel nacional, en un momento en el que la humanidad y, en particular, la sociedad dominicana, se preparan para afrontar los efectos del cambio climático y la consecuente escasez de agua pronosticada.

Materiales, métodos y resultados

Paquetes y funciones

Los siguientes bloques de código cargan los paquetes de uso común a lo largo de este cuaderno, así como funciones creadas por nosotros para eficientizar las tareas de limpieza y representación de datos y mapas (e.g. huellas de las escenas del DEM ALOS PALSAR). Igualmente, aprovechamos esta sección para declarar la ruta del directorio de trabajo, la cual reaprovechamos en distintas partes del código.

source('R/funciones.R')
library(raster)
library(sf)
library(kableExtra)
library(tidyverse)
library(gdalUtils)
estilo_kable <- function(df, titulo = '', cubre_anchura = T) {
  df %>% kable(format = 'html', escape = F, booktabs = T, digits = 2, caption = titulo) %>%
  kable_styling(bootstrap_options = c("hover", "condensed"), full_width = cubre_anchura)
}
dem_proc_dir <- 'alos-palsar-dem-rd/dem/'

DEM: obtención y preparación, procesamiento

Selección de los datos de elevación

Elegimos el Modelo Digital de Elevación del Satélite de Observación Avanzada de la Tierra (ALOS-DEM, por sus siglas en inglés), pues es actualmente la fuente de mayor resolución espacial (12.5 m) y disponible al público (ASF DAAC 2015). A pesar de su alta resolución espacial, investigadores encontraron que no necesariamente es el DEM de mayor precisión en cuanto a los estadísticos básicos de elevación (e.g. RMSE comparado con estaciones GNSS) (Aziz y Rashwan 2022). No obstante, la evaluación realizada por el referido equipo de investigadores, no realizó preprocesamiento ni limpieza de los datos descargados. De todas formas, aunque es probable que existan errores en el DEM, para fines de extracción de redes de drenaje es la mejor opción disponible, pues a mejor resolución, mejores resultados en cuanto a densidad de la red y caracterización morfométrica.

Para procesarlo, debimos descargar más de 28 escenas desde el Centro de Archivo Activo Distribuido (DAAC) del Alaska Satellite Facility (ASF) y unirla en un mosaico creado como ráster virtual. Señalamos que, al momento de realizarse esta investigación, la tendencia global en el análisis de datos geoespaciales apunta a prácticas centrada en la nube (e.g. Google Earth Engine, Microsoft Planetary Computer) Aunque hemos realizado investigaciones usando dichas plataformas, muchos de los algoritmos necesarios para realizar análisis hidrológico, no están aún disponibles en los referidos servicios. Por esta razón, nos vimos en la necesidad de usar nuestros propios computadores. En concreto, usamos una PC equipada con procesador Intel(R) Core(TM) i7-7700K CPU @ 4.20GHz, 64 GB de memoria RAM y unidad de estado sólido. Aunque logramos paralelizar algunos procesos, la mayoría de los algoritmos no aprovechan al máximo los múltiples núcleos de los procesadores y, consecuentemente, la capacidad de memoria también se subutiliza.

Descarga de escenas

Identificamos las escenas necesarias para cubrir íntegramente la República Dominicana, usando una búsqueda geográfica mediante polígono delimitador en Alaska Satellite Facility. Dado que la misión del ALOS-DEM ofrece escenas de distinta fecha para una misma área, descargamos escenas redundantes que posteriormente excluimos del análisis. La descarga la realizamos por lotes, usando un script de Python provisto por el propio ASF.

python download-all-2023-04-20_00-30-00.py

Creación de índice de DEM

Utilizando el índice de huellas de escenas, escribimos un pequeño programa para seleccionar las más reciente en las áreas donde había redundancia. Con esto construimos un índice de DEM para fines de representación, y para guiarnos durante la construcción del ráster virtual.

ind_orig <- invisible(
  st_read('alos-palsar-dem-rd/asf-datapool-results-2023-04-19_08-31-26.geojson', quiet = T)) %>% 
   rownames_to_column('fila') %>% mutate(fila = as.integer(fila))
distancias <- ind_orig %>% st_centroid() %>% st_distance() %>% units::drop_units()
distancias[upper.tri(distancias, diag = T)] <- NA
indices <- which(distancias < 1000, arr.ind = TRUE)
duplicados <- as.data.frame(indices) %>% 
  mutate(dup_id = 1:nrow(indices)) %>% 
  pivot_longer(-dup_id, names_to = 'tipo', values_to = 'fila') %>% 
  select(-tipo)
seleccionados <- duplicados %>%
  inner_join(ind_orig %>% select(fila, startTime) %>% st_drop_geometry) %>% 
  group_by(dup_id) %>% filter(startTime == max(startTime)) %>% pull(fila)
ind_orig_sel <- ind_orig %>% filter(!fila %in% duplicados$fila | fila %in% seleccionados) %>% 
  filter(centerLon < -72.1821)

ind_orig_sel %>% select(sceneName, startTime) %>% st_drop_geometry() %>%
  kable(format = 'html', escape = F, booktabs = T,
        caption = 'Escenas ALOS-PALSAR usadas para generar un DEM de 12.5 m de resolución espacial de República Dominicana') %>%
  kable_styling(bootstrap_options = c("hover", "condensed"), full_width = T)

TABLA 1: Escenas ALOS-PALSAR usadas para generar un DEM de 12.5 m de resolución espacial de República Dominicana

sceneName	startTime
ALPSRP253240380	2010-10-25 23:18:16
ALPSRP253240370	2010-10-25 23:18:08
ALPSRP253240360	2010-10-25 23:17:59
ALPSRP253240350	2010-10-25 23:17:51
ALPSRP252510370	2010-10-20 23:11:46
ALPSRP252510360	2010-10-20 23:11:38
ALPSRP252510350	2010-10-20 23:11:30
ALPSRP251490380	2010-10-13 23:22:45
ALPSRP251490370	2010-10-13 23:22:36
ALPSRP251490360	2010-10-13 23:22:28
ALPSRP251490350	2010-10-13 23:22:20
ALPSRP251490340	2010-10-13 23:22:12
ALPSRP250760380	2010-10-08 23:16:23
ALPSRP250760370	2010-10-08 23:16:15
ALPSRP250760360	2010-10-08 23:16:06
ALPSRP250760350	2010-10-08 23:15:58
ALPSRP250030360	2010-10-03 23:09:44
ALPSRP250030350	2010-10-03 23:09:36
ALPSRP248280370	2010-09-21 23:14:21
ALPSRP248280360	2010-09-21 23:14:13
ALPSRP248280350	2010-09-21 23:14:05
ALPSRP247260360	2010-09-14 23:25:03
ALPSRP247260350	2010-09-14 23:24:55
ALPSRP247260340	2010-09-14 23:24:47
ALPSRP242300380	2010-08-11 23:21:28
ALPSRP242300370	2010-08-11 23:21:19
ALPSRP242300360	2010-08-11 23:21:11
ALPSRP242300350	2010-08-11 23:21:03

En total, para cubrir el territorio de República Dominicana, necesitamos 28 de escenas únicas ALOS-PALSAR. Representamos el índice de escena con ggplot2, superponiendo las huellas (polígono de área con datos) sobre el límite costero e internacional de República Dominicana. Señalamos en este punto un detalle relevante para el análisis hidrológico. Las escenas correspondientes a la porción haitiana del río Artibonito, no las procesamos en este estudio, a efectos de agilizar la producción de resultados. No obstante, dicha tarea queda pendiente para futuras investigaciones.

FIGURA 1: Mapa índice de escenas usadas en la formación del DEM 12.5 ALOS-PALSAR de RD

Extracción de las escenas seleccionadas

Usando el índice de las escenas seleccionadas, extrajimos los correspondientes DEM en formato GTiff desde los archivos comprimidos (.zip). Alaska Satellite Facility los sirve como comprimidos para reducir el ancho de banda en la descarga. Esta medida es muy conveniente para mantener el rendimiento en sus servidores, además de que la descomprensión de estos archivos no toma realmente mucho tiempo.

zip_path <- 'alos-palsar-dem-rd/'
sapply(ind_orig_sel$fileName, 
       function(x)
         unzip(
           zipfile = paste0(zip_path, x),
           exdir = paste0(zip_path, 'dem'), junkpaths = T,
           files = paste0(gsub('.zip', '', x), '/', gsub('zip', 'dem.tif', x)))
       )

Verificación de CRS, transformar a zona 19N

Todos los DEM fueron servidos bajo el sistema de coordenadas universal transversal de Mercator (UTM), pero algunos fueron se encontraban fijados en el huso 18N, por lo que primero los identificamos y, posteriormente, los transformamos al huso 19N para generar un producto continuo usando la herramienta gdalwarp de la biblioteca GDAL (GDAL/OGR contributors 2022).

dems_orig_path <- list.files(path = 'alos-palsar-dem-rd/dem', pattern = '*dem.tif', full.names = T)
crs_18n <- names(which(sapply(dems_orig_path, function(x){
  crs_x <- gdal_crs(x)
  is_z18 <- grepl('zone 18N', crs_x[['wkt']])
})))
sapply(crs_18n, function(x) file.rename(from = x, to = gsub('.tif', '_z18n.tif', x)))
crs_18n_ren <- list.files(path = 'alos-palsar-dem-rd/dem', pattern = 'z18n.tif', full.names = T)
sapply(crs_18n_ren, function(x){
  gdalwarp(
  srcfile = x,
  dstfile = gsub('_z18n.tif', '.tif', x), 
  t_srs = 'EPSG:32619', overwrite = T)})

Construcción de ráster virtual

A efectos de eficientizar la manipulación del DEM, creamos un ráster virtual (VRT) usando la herramienta gdalbuildvrt de la biblioteca GDAL. Este formato es conveniente, pues se trata de un XML que combina todas las fuentes sobre la marcha (on the fly) para fines de visualización. También es posible, luego de generar el ráster virtual, crear una imagen real en los formatos tradicionales. De hecho, la importación a GRASS GIS crea un ráster real para importarlo a su base de datos.

gdalbuildvrt(gdalfile = dems_orig_path,
             output.vrt = paste0(paste0(zip_path, 'dem'), '/dem_seamless.vrt'),
             resolution = 'highest', r = 'average')

Creación de base de datos de GRASS GIS

Creamos una base de datos y localización de GRASS GIS usando como fuente de extensión y resolución el ráster virtual (GRASS Development Team 2022). Decidimos usar GRASS GIS a partir de este punto para prácticamente todas las tareas de análisis geoespacial e hidrológico, pues se trata de un software bastante eficiente en muchos de sus complementos y algoritmos de serie (e.g. rellenado de nulos). Sin embargo, en pasos posteriores, alternamos el flujo de procesamiento con otras herramientas, como WhiteboxTools (John B. Lindsay 2018). En todo caso, nuestro criterio fue siempre aprovechar al máximo los recursos de hardware y software disponibles para obtener los productos requeridos en el menor tiempo posible.

# Usando Bash, desde la ruta ./alos-palsar-dem-rd/dem
grass --text -c dem_seamless.vrt ./grassdata
# Para abrir luego de cerrada: grass grassdata/PERMANENT/

Máscara: crear, importar, aplicar

Creamos una máscara de país en QGIS (QGIS Development Team 2021), superponiendo el límite oficial obtenido desde la página de la Oficina Nacional de Estadística (ONE), y combinándolo con otras fuentes disponibles en línea, como GADM, Humanitarian Data Exchange (OCHA) y OpenStreetMap (Oficina Nacional de Estadística (ONE) 2018; GADM 2022; OCHA 2022; OpenStreetMap contributors 2017). De la máscara, eliminamos las superficies de máximas de lagos y lagunas no artificiales, pues nos interesa procesar las cuencas endorreicas que drenan hacia ellos. No obstante, los embalses no los incluimos en dicha superficie, dado que necesitamos construir la jerarquía de red ignorando su presencia, es decir, asumiendo como continuos todos los cursos fluviales. Sobre esta máscara, creamos un área de influencia, para recortar el DEM con un cierto “acolchado” que nos permitiera análizar sin dificultades las áreas costeras y de frontera.

La creación de esta máscara fue el único paso que realizamos de forma semimanual, pues el resto del flujo de procesamiento lo realizamos con algoritmo automáticos.

Importamos la máscara generada a la base de datos de GRASS y la aplicamos. GRASS opera de forma eficiente, aplicando los algoritmos sólo dentro del área definida como máscara. Las áreas fuera de ésta son excluidas, eficientizando los recursos y evitando malgastar tiempo de CPU en áreas que ajenas al proyecto.

# Importar máscara
v.import input=mascara-1km.gpkg output=mascara_1km

# Fijar máscara
r.mask -r
r.mask vector=mascara_1km

# Ver ambiente
g.gisenv
## GISDBASE=/media/jose/datos/alos-palsar-dem-rd/dem
## LOCATION_NAME=grassdata
## MAPSET=PERMANENT
## GUI=text
## PID=1632142

Creación de mapa ráster a partir de VRT

Importamos el ráster virtual a la base de datos de GRASS GIS. Con este paso generamos un mapa ráster dentro de la base de datos GRASS GIS, el cual es una realización con celdas manipulables y a la que le podemos aplicar algoritmos ráster de nuestra preferencia.

# Importar DEM a región de GRASS
time r.import --overwrite input=dem_seamless.vrt output=dem
## real 

# Ver en lista (q para salir)
g.list type=raster

FIGURA 2: DEM ALOS PALSAR sin procesar, representado como relieve sombreado. Nótesense los píxeles sin datos, destacados en color rojo (Los Patos-Ojeda-Paraíso, provincia Barahona, sudoeste de República Dominicana)

Rellenado de píxeles nulos (sin datos)

Para esta tarea, utilizamos el eficiente complemento de GRASS r.fill.nulls. Lo configuramos para rellenar píxeles nulos usando interpolación spline bilineal con regularización Tykhonov (spline es un método de descomposición de curvas en porciones descritas por polinomios).

# Rellenar vacíos
time r.fillnulls --overwrite --verbose \
  input=dem method="bilinear" \
  tension=40 smooth=0.1 edge=3 npmin=600 segmax=300 lambda=0.01 \
  output=dem_relleno
# Enviar mensaje al finalizar (ejecutar conjuntamente con anterior)
echo "Job finished" | mail -s "Job finished" zoneminderjr@gmail.com
## real 10m11.925s

FIGURA 3: DEM ALOS PALSAR sin procesar, representado como relieve sombreado. Los píxeles sin datos fueron eliminados (Los Patos-Ojeda-Paraíso, provincia Barahona, sudoeste de República Dominicana)

Suavizado preservando morfologías

Para el suavizado, usamos la herramienta FeaturePreservingSmoothing de WhiteboxTools, la cual reduce reducir la rugosidad generada por ruido en el modelo digital de elevaciones (John B. Lindsay, Francioni, y Cockburn 2019; John B. Lindsay 2018). Para aplicar esta herramienta, primero exportamos el DEM desde la base de datos de GRASS GIS a archivo GeoTIFF, y posteriormente aplicamos el suavizado.

# Exportar a GTiff con compresión LZW
time r.out.gdal --overwrite --verbose createopt="COMPRESS=LZW,BIGTIFF=YES" \
  input=dem_relleno \
  format=GTiff type=Float64 output=dem_relleno.tif
# Enviar mensaje al finalizar (ejecutar conjuntamente con anterior)
echo "Job finished" | mail -s "Job finished" zoneminderjr@gmail.com
## real 0m58.924s

# Comenzó a 23.20 de 22 de abril
time ~/WhiteboxTools_linux_amd64/WBT/whitebox_tools \
  --wd='/media/jose/datos/alos-palsar-dem-rd/dem/' \
  --filter=25 --norm_diff=45 --num_iter=5 \
  --run=FeaturePreservingSmoothing --input='dem_relleno.tif' \
  --output='dem_relleno_suavizado.tif' -v
# Enviar mensaje al finalizar (ejecutar conjuntamente con anterior)
echo "Job finished" | mail -s "Job finished" zoneminderjr@gmail.com
## real 9min46.103s

FIGURA 4: DEM ALOS PALSAR suavizado, representado como relieve sombreado. Nótese la conservación de las morfologías principales y la eliminación del ruido sobre éstas (Los Patos-Ojeda-Paraíso, provincia Barahona, sudoeste de República Dominicana)

Importar DEM suavizado a la base de datos de GRASS GIS

Importamos el DEM suavizado para aplicarle nuevos procesamientos hidrológicos.

time r.import input=dem_relleno_suavizado.tif output=dem_suavizado
echo "Job finished" | mail -s "Job finished" zoneminderjr@gmail.com
## real 0m21.593s

Obtención de alturas pseudo-ortométricas

Usamos el ráster de altura de geoide de La Española a 1 minuto de resolución (EGM2008) para obtener alturas pseudo-ortométricas, por medio de una suma algebraica simple. Sin embargo, previamente fue necesario aumentar la resolución del ráster de altura del geoide antes de realizar la suma. Para esto, usamos r.resamp.rst (evaluamos una alternativa 2 con el completo r.resamp.interp y, aunque realizó el trabajo eficientemente, eliminó muchas áreas limítrofes, por lo que preferimos no utilizarlo).

# Importar DEM a región de GRASS
r.import --overwrite input=egm2008-1_espanola.tif output=egm2008_1min

# Ver en lista (q para salir)
g.list type=raster

# Ver atributos de la región
g.region -p

# Alternativa 1. Usando r.resamp.rst. Más eficiente y precisa
# Fijar la región al geoide importado
g.region raster=egm2008_1min -ap
# Realizar la interpolación
r.resamp.rst --overwrite input=egm2008_1min ew_res=50 ns_res=50 elevation=egm2008_hires
echo "Job finished" | mail -s "Job finished" zoneminderjr@gmail.com
## real 
# Fijar región a nuevo geoide
g.region raster=egm2008_hires -ap

# Alternativa 2. Usando r.resamp.interp. También eficiente, pero eliminar áreas de borde
# g.region res=50 -ap
# r.resamp.interp --overwrite input=egm2008_1min \
#  output=egm2008_hires method=bilinear

# Exportar para explorar visualmente
# r.out.gdal --overwrite --verbose createopt="COMPRESS=LZW" \
#  input=egm2008_hires \
#  format=GTiff type=Float64 output=egm2008_hires.tif

# Volver a resolución de DEM rellenado y suavizado
g.region raster=dem_suavizado -ap

# Aplicar álgebra de mapas
r.mapcalc --overwrite "dem_pseudo_ortometrico = dem_suavizado - egm2008_hires"

#Estadísticos univariados
r.univar dem_pseudo_ortometrico
# n: 306462417
# minimum: -51.4456
# maximum: 3102.34
# range: 3153.79
# mean: 403.703
# mean of absolute values: 403.858
# standard deviation: 487.27
# variance: 237432
# variation coefficient: 120.7 %
# sum: 123719658638.311

El resumen estadístico proporcionado por GRASS GIS, usando una máscara ajustada a los límites costeros e internacional del país, informa que la elevación mínima es -51.5 m, mientras que la máxima es 3102.34 m, para un rango de casi 3154 m. El valor mínimo probablemente no está bien recogido, debido a que la máscara empleada podría estar eliminando elevaciones muy bajas en el área de la Hoya de Enriquillo. La elevación media, tanto considerando los negativos como los positivos, es de aproximadamente 404 m, con desviación estándar de 487 m y coeficiente de variación de 121%.

FIGURA 5: Alturas respecto de geoide EGM08 (~ortométrica) y sobre elipsoide WGS84, de un transecto descendente desde Bahoruco Oriental al Mar Caribe (Los Patos-Ojeda-Paraíso, provincia Barahona, sudoeste de República Dominicana)

Tallar (aplicar) la red sobre el DEM

El tallado, grabado o aplicación de red (stream burning) consiste en reforzar, sobre el DEM, la red hidrográfica conocida para garantizar que los algoritmos automáticos de análisis hidrológico conduzcan el flujo a través de lechos existentes. Este procedimiento es particularmente útil (e imprescindible) en áreas llanas, pues produce redes hidrográficas más reales y, en suma, mejora la topología de la red. No obstante, el procesamiento modifica sensiblemente el DEM, especialmente en los lugares donde ocurre el grabado.

Probamos tres alternativas de tallado de DEM usando las herramientas FillBurn de WhiteboxTools (John B. Lindsay 2018), r.carve de GRASS GIS y álgebra de mapas, también de GRASS GIS (GRASS Development Team 2022). Asimismo, con cada algoritmo probamos intentando grabar en el DEM dos redes de drenaje distintas, una densa y otra compuesta sólo los cursos largos.

Para generar la red densa, nos apoyamos en el mapa topográfico nacional a escala 1:50,000 (MTN-50K) (Instituto Cartográfico Militar (ICM) 1989), el cual se encuentra digitalizado, pero procede de una fuente anónima (esperamos que este estudio nos ayude a establecer la autoría para incluirla oportunamente, aunque en los análisis hidrológicos no pudimos sacarle ningún provecho). En particular, la red densa es una recopilación exhaustiva de los talweg dibujados en el mapa topográfico (lechos en valles drenados, líneas de mínima elevación, “vaguadas”), excluyendo canales de riego y otras obras de ingeniería de reconducción de flujo. Para garantizar la continuidad del flujo, modificamos esta red recuperando el trazado original de varios ríos embalsados, usando mapas topográficos de la época pre-embalse. Importamos la red densa a la base de datos de GRASS GIS. Le aplicamos el complemento v.clean de GRASS GIS para generar una versión topológicamente aceptable, aunque muchos errores no pudieron corregirse. Finalmente, obtuvimos estadísticos básicos de conteo de segmentos y longitud para fines de comparación con la red generada por nosotros.

# Importar red hidrográfica digitalizada desde el MTN-50K
v.import --overwrite input=red_mtn50k_cleaned.gpkg output=red_mtn50k_cleaned
# Ver mapa importado en lista (q para salir)
g.list type=vector
# Calcular y pasar a archivo, la longitud de cursos y número de segmentos (ejecutar en casos de actualización)
v.to.db -p option=length map=red_mtn50k_cleaned > stats_length_red_mtn50k_cleaned.txt

stats_red_mtn50k <- read_delim(paste0(dem_proc_dir, 'stats_length_red_mtn50k_cleaned.txt'),
                               progress = F, show_col_types = F)
n_seg_red_mtn50k <- stats_red_mtn50k %>% filter(!cat==-1) %>% nrow
length_mtn50k <- stats_red_mtn50k %>% filter(!cat==-1) %>% pull(length) %>% sum/1000

A partir del archivo de texto generado GRASS GIS, obtuvimos los estadísticos básicos: se trata de una red compuesta por 29750 segmentos que suman un total de 45698.8 kilómetros de longitud. Es importante señalar que la segmentación de las polilíneas no necesariamente guarda relación con la hidrografía, y probablemente responda a errores de digitalización. Verificamos muchos casos en los que un tramo continuo, verificado en el mapa fuente, figuraba segmentado en pequeños trozos en el vectorial, incluso encontramos lugares donde la continuidad se interrumpía. Otros problemas topológicos encontrados fueron los siguientes: confluencias que no siempre se resolvían con nodos de intersección, líneas duplicadas, cursos fluviales aparecían enredados, entre otros.

FIGURA 6: Mapa de la red densa de ríos, arroyos, cañadas y canales de riego, alegadamente extraída desde el MTN-50K. Lo que sabemos que es fue digitalizada a partir del MTN-50K. Sin embargo, aunque está bastante bien alineada en buena parte del país, en algunos puntos del país (e.g. costa norte, sierra de Bahoruco), la red se desplaza ligeramente. La utilizamos para tallar el DEM, pero los análisis hidrológicos produjeron talwegs duplicados y, en los ríos con meandros divagantes, el resultado no se adaptaba bien al DEM (la fecha del DEM es 2010, mientras que la red es del siglo pasado). Autoría desconocida (esperamos que nos la indiquen próximamente)

Por otra parte, tal como indicamos arriba, alternativamente probamos con una red de cursos largos para tallar al DEM, la cual generamos digitalizando sobre imágenes satelitales (Google; Airbus, CNES; Airbus, Landsat; Copernicus; Maxar Technologies; U.S. Geological Survey 2023) y, ocasionalmente, sobre el MTN-50K (Instituto Cartográfico Militar (ICM) 1989). Asimismo, nos auxiliamos en gran medida de OpenStreetMap contributors (2017), como fuente disponible directamente en formato vectorial. Esta red consistió en una selección de los ríos más largos y represados de República Dominicana, e incluyó tramos de ríos que atraviesan áreas problemáticas para la conducción del flujo, como grandes llanuras y karst. Al igual que con la red densa, para garantizar la continuidad topológica, ignoramos los embalses y grabamos trazados históricos sobre el DEM. Importamos esta red a la base de datos de GRASS GIS y obtuvimos estadísticos básicos.

# Importar red a GRASS
v.import --overwrite input=red_mtn50k_cleaned_largos.gpkg output=red_mtn50k_cleaned_largos
# Ver mapa importado en lista (q para salir)
g.list type=vector
# Calcular y pasar a archivo, la longitud de cursos y número de segmentos (ejecutar en casos de actualización)
v.to.db -p option=length map=red_mtn50k_cleaned_largos > stats_length_red_mtn50k_cleaned_largos.txt

stats_red_mtn50k_largos <- read_delim(paste0(dem_proc_dir, 'stats_length_red_mtn50k_cleaned_largos.txt'),
                               progress = F, show_col_types = F)
n_seg_red_mtn50k_largos <- stats_red_mtn50k_largos %>% filter(!cat==-1) %>% nrow
length_mtn50k_largos <- stats_red_mtn50k_largos %>% filter(!cat==-1) %>% pull(length) %>% sum/1000

A partir del archivo de texto generado, obtuvimos los estadísticos básicos: se trata de una red compuesta por 29750 segmentos que suman un total de 45698.8 kilómetros de longitud. Cabe señalar que esta red no tiene valor hidrográfico, pues la creamos únicamente para forzar el flujo a seguir el trazado real, especialmente en zonas llanas. Desaconsejamos su uso para otros fines que no sean los de complementar un análisis hidrológico completo.

FIGURA 7: Mapa de la red de cursos largos creada para el estudio a partir de varias fuentes (más detalles, en el texto).

Con ambas redes ya generadas, el siguiente consistió en probar las herramientas disponibles, r.carve de GRASS GIS, álgebra de mapas (r.mapcalc``de GRASS GIS) yFillBurn` de WBT. Los resultados obtenidos en cada caso los describimos detalladamente en las secciones a continuación.

Alternativa 1. Tallado con GRASS GIS, complemento r.carve (descartada)

La herramienta r.carve de GRASS GIS fue diseñada para grabar el DEM sin modificarlo sensiblemente, permitiendo configurar la profundidad y la anchura del grabado. Por defecto, la anchura de lecho es equivalente a la resolución del DEM. La profundidad puede definirse por el usuario, para lo cual nosotros establecimos 100 metros. Al intentar tallar la red densa sobre el DEM con este método, dedicamos un tiempo de cómputo de más de siete horas (sin paralelización), por lo que nos vimos obligados a interrumpirlo sin concluir. No obstante, la red de cursos largos sí pudimos tallarla sobre el DEM con esta herramienta, generando un resultado óptimo, aunque el proceso ocupó más de 1 hora de tiempo de cómputo. Esta alternativa es recomendada en si resultase imprescindible conservar las propiedades topográficas en el DEM, pero debe tenerse en cuenta que su rendimiento es muy bajo. En los casos donde se use un DEM pequeño, se recomienda usar esta alternativa. Sin embargo, en esta investigación, con un DEM de más 300 millones de celdas, preferimos evaluar otras alternativas.

# Limpiar red manualmente en QGIS
# Aplicar v.clean, en QGIS

# Tallar la red densa
# time r.carve --overwrite --verbose raster=dem_pseudo_ortometrico \
#  vector=red_mtn50k_cleaned output=dem_tallado depth=100
# echo "r.carve finalizado" | mail -s "r.carve finalizado" zoneminderjr@gmail.com
## real 320m40.373s # NO ALCANZÓ A TERMINAR USANDO RED DOMINICANA DEL MTN50K DENSA (red_mtn50k_cleaned)
# Tallar red de cursos largos
# time r.carve --overwrite --verbose raster=dem_pseudo_ortometrico \
#  vector=red_mtn50k_cleaned_largos output=dem_tallado depth=100
# echo "r.carve finalizado" | mail -s "r.carve finalizado" zoneminderjr@gmail.com
## real 97m3.970s # COMPLETADO: USANDO RED DE CURSOS LARGOS SOLAMENTE (red_mtn50k_cleaned_largos)

Alternativa 2. Tallado con GRASS GIS, usando álgebra de mapas r.mapcalc (elegida)

Tallado eficiente usando álgebra de mapas. Normalizamos el DEM, generamos una capa booleana ráster con la red de cursos largos, la restamos al DEM normalizado y luego multiplicamos el ráster resultante de la resta nuevamente por el rango del DEM (máximo - mínimo) para restablecer los valores originales fuera de las áreas talladas. El resultado es un DEM tallado, en el que los píxeles tallados (por donde circula la red) tenían una profundidad (valor negativo) equivalente al rango.

# Implementar esta alternativa con mapcalc de GRASS GIS y evaluar rendimiento
# https://www.youtube.com/watch?v=jHT_StPb_oM

# Limpiar red manualmente en QGIS
# Aplicar v.clean, en QGIS

# Tallar
# Rasterizar red (los píxeles de la red valdrán 1, el resto, nulo)
v.to.rast --overwrite input=red_mtn50k_cleaned_largos type=line use=val output=red_mtn50k_cleaned_largos
# Convertir nulos a cero
r.null map=red_mtn50k_cleaned_largos null=0
# Determinar estadísticas univariantes del DEM
r.univar map=dem_pseudo_ortometrico
# minimum: -51.4456
# maximum: 3102.34

# Aplicar normalización y resta
r.mapcalc --overwrite << EOF
eval(stddem = (dem_pseudo_ortometrico - -51.4456) / (3102.34 - -51.4456), \
     stddemburn = stddem - red_mtn50k_cleaned_largos)
dem_tallado = (stddemburn * (3102.34 - -51.4456)) - 51.4456
# dem_tallado = stddemburn * dem_pseudo_ortometrico # Alternativa
EOF
echo "Tallado finalizado" | mail -s "Mensaje sobre tallado" zoneminderjr@gmail.com

FIGURA 8: DEM ALOS PALSAR sin aplicación de hidrografía (A), y con aplicación de hidrografía seleccionada (B). El DEM se representa como relieve sombreado y la aplicación se denota como un grabado oscurecido (cañón del río Payabo, Los Haitises, y río Yuna (proximidades de Arenoso, nordeste de República Dominicana)

Alternativa 3. Tallado con WhiteboxTools (descartada)

Como alternativa de procesamiento 3 usamos la herramienta FillBurn, basada en Saunders (2000) e implementada por John B. Lindsay (2016) en de WBT. Esta realiza dos modificaciones a la vez sobre el DEM; por una parte, graba la red, usando una profundidad por defecto y, por otro, rellena las depresiones. La herramienta mostró mejor rendimiento que la de GRASS GIS en cuanto a tiempo de cómputo, tanto con la red densa, que sí pudo grabarla sobre el DEM, como con la de cursos largos.

En particular, sobre el grabado de la red densa, notamos que los trazados no se alineaban bien con el DEM por problemas de alineación y ajuste de datums entre el mapa topográfico nacional y el DEM (NAD27 y WGS84). Como consecuencia, la red se grababa en topografías claramente muy accidentadas o a contrapendiente, generando así una red con duplicados y falsos positivos. No obstante, intentamos generar una red con dicho DEM, pero el resultado no fue satisfactorio en términos hidrológicos, por lo que optamos por probar con la red de cursos largos para generar el DEM tallado. En este caso, el DEM resultante fue muy diferente al original, especialmente en las áreas con depresiones. Por esta razón, decidimos usar el DEM tallado con la red de cursos largos generado por GRASS GIS.

# Alternativa 2: rápida, pero produce un tallado muy profundo y rellena depresiones
# Exportar dem_pseudo_ortometrico a GTiff con compresión LZW
# time r.out.gdal --overwrite --verbose createopt="COMPRESS=LZW,BIGTIFF=YES" \
#   input=dem_pseudo_ortometrico \
#   format=GTiff type=Float64 output=dem_pseudo_ortometrico.tif
# echo "Job finished" | mail -s "Job finished" zoneminderjr@gmail.com
## real 1m0.248s

# Exportar red_mtn50k_cleaned.gpkg a shapefile
# ogr2ogr(src_datasource_name = '/media/jose/datos/alos-palsar-dem-rd/dem/red_mtn50k_cleaned.gpkg',
#         dst_datasource_name = '/media/jose/datos/alos-palsar-dem-rd/dem/red_mtn50k_cleaned.shp',
#         verbose=TRUE)

# Tallar con WBT
# time ~/WhiteboxTools_linux_amd64/WBT/whitebox_tools \
#   --wd='/media/jose/datos/alos-palsar-dem-rd/dem/' \
#   --run=FillBurn --dem='dem_pseudo_ortometrico.tif' \
#   --streams=red_mtn50k_cleaned.shp --output='dem_tallado.tif' -v
# echo "Job finished" | mail -s "Job finished" zoneminderjr@gmail.com
## real 9m21.980s
# Importar a GRASS GIS
# time r.import --overwrite input=dem_tallado.tif output=dem_tallado
# echo "Job finished" | mail -s "Job finished" zoneminderjr@gmail.com
## real 0m38.519s

Depresiones

Para producir límites de cuencas y redes de drenaje con sentido, los algoritmos de análisis hidrológico requieren que se identifiquen las depresiones capaces de capturar la escorrentía superficial (e.g. ponor, pérdidas). Usando la capa de litologías de República Dominicana (Mollat et al. 2004), identificamos y separamos las calizas que presentaban suficiente grado de karstificación, de acuerdo con nuestra experiencia de campo. Posteriormente, generamos una capa de depresiones con el complemento r.geomorphon usando el DEM como insumo (Jarosław Jasiewicz y Stepinski 2013). Adicionalmente, digitalizamos algunas depresiones cuya localización conocíamos por experiencia de terreno. Finalmente, intersectamos las tres fuentes para producir una capa comprensiva de las depresiones que capturan el flujo superficial.

FIGURA 9: “Geomórfonos” de República Dominicana generados a partir de DEM ALOS PALSAR. En cartela, detalle del cañón del río Payabo

No obstante, nuestro resultado debe tomarse con cautela en el relieve kárstico. Como bien es sabido, no todas las calizas representadas en la geología dominicana están lo suficientemente karstificadas como para desarrollar depresiones. Por esta razón, usamos la capa de calizas a discreción, y sólo conservamos aquellos afloramientos de calizas donde no se evidenciaba escorrentía superficial, y donde encontramos evidencia de depresiones en la topografía detallada y en imágenes satelitales. No obstante, gran parte de este trabajo se realizó manualmente, por lo que la exhaustividad no está del todo garantizada. Además, es virtualmente imposible identificar todas las depresiones que funcionan como pérdidas en imágenes satelitales o en mapas topográficos. Finalmente, un elemento adicional complica aún más las cosas en los relieves kársticos: muchas pérdidas no ocurren a través de una depresión topográficamente visible, pues gran parte de la infiltración se produce a través de fracturas en la roca, pasando al endokarst y a la zona vadosa de manera “silenciosa”, sin que veamos desde el aire la típica morfología deprimida (e.g. dolina).

# Crear geomórfonos
# WBT
# time ~/WhiteboxTools_linux_amd64/WBT/whitebox_tools \
#   -r=Geomorphons -v --wd='/media/jose/datos/alos-palsar-dem-rd/dem/' \
#   --dem=dem_tallado.tif -o=geomorfonos.tif --search=25 \
#   --threshold=0 --tdist=0.0 --forms
# echo "Job finished" | mail -s "Job finished" zoneminderjr@gmail.com
## real 6m52.298s #MUY EFICIENTE
# GRASS GIS
# time r.geomorphon --overwrite --verbose elevation=dem_tallado forms=geomorfonos search=25
time r.geomorphon --overwrite --verbose elevation=dem_pseudo_ortometrico forms=geomorfonos search=25
echo "r.geomorphon finalizado" | mail -s "Mensaje sobre r.geomorphon" zoneminderjr@gmail.com
## real 33m16.508s #MUY LENTO

# Extraer depresiones desde geomorfonos
r.mapcalc --overwrite expression="'depresiones_geomorfonos' = if(geomorfonos == 10, 1, null())"

# Importar depresiones manualmente digitalizadas a base de datos de GRASS GIS
v.import --overwrite input=depresiones_digitalizadas.gpkg output=depresiones_digitalizadas

# Convertir depresiones digitalizadas manualmente a ráster
v.to.rast --overwrite input=depresiones_digitalizadas type=area use=val output=depresiones_digitalizadas

# Importa la capa de calizas con depresiones en RD (de Mapa Geológico 250K)
v.import --overwrite input=calizas_con_depresiones.gpkg output=calizas_con_depresiones

# Convertir la capa de calizas con depresiones a ráster
v.to.rast --overwrite input=calizas_con_depresiones type=area \
  use=val output=calizas_con_depresiones

# Adjuntar depresiones digitalizadas manualmente con caliz
r.mapcalc --overwrite \
  expression="'depresiones_geomorfonos_calizas' = 'depresiones_geomorfonos' * 'calizas_con_depresiones'"

# Unir todas las depresiones en un único mapa
r.patch --overwrite input=depresiones_geomorfonos_calizas,depresiones_digitalizadas \
  output=depresiones_todas

FIGURA 10: DEM ALOS PALSAR representado como mapa hipsómétrico (rojo y marrón representan terreno elevado, verde y azul claro terreno bajo) sobre relieve sombreado, mostrando el área de Guaraguao, Los Haitises, al sur del río Yuna (nordeste de República Dominicana). (A) sin mostrar depresiones, (B) mostrando depresiones en tonalidad azul oscuro

Extracción de red de drenaje y cuencas hidrográficas: análisis hidrológicos y morfométricos, jerarquía de red

El dilema: r.watershed o r.stream*

El complemento r.watershed es uno de los más completos de GRASS GIS para realizar análisis hidrológico a nivel de cuenca e incluso para redes. Con este complemento se pueden obtener los mapas de acumulación de flujo, talwegs, redes de drenaje y cuencas, entre otros. Estos productos son usados tanto en el análisis de cuenca, como en el análisis de red de drenaje (e.g. análisis hortoniano). Sin embargo, otro complemento de GRASS GIS se especializa en la extracción y caracterización de redes de drenaje. La elección de uno u otro dependerá de nuestro objetivo. Si nos interesa analizar cuencas hidrográficas, entonces, el complemento a usar será r.watershed. Si nos interesa analizar redes de drenaje y jerarquía hidrográfica, entonces tenemos dos opciones: r.watershed y r.stream*, ya sea combinados o de forma excluyente.

La familia r.stream* incluye un generador de red (r.stream.extract), un calculador de jerarquía de red (r.stream.order) y un generador de cuencas hidrográficas consecuente con la red de drenaje (r.stream.basins) (JarosŁaw Jasiewicz y Metz 2011). El complemento r.stream.order es bastante potente, porque nos permite caracterizar la red hidrográfica de manera muy completa usando la topología para determinar la jerarquía ordenada. Para correr r.stream.order, necesitamos el mapa de la red propiamente (stream_rast), y el de dirección de drenaje (direction). Por otra parte, r.stream.basins utliza como entrada los mapas producidos por r.stream.order para delimitar cuencas de acuerdo con la ordenación jerárquica elegida.

Tanto r.stream.extract como r.waterhsed son capaces de generar productos que sirven de insumo a otros complementos, pero con ligeras diferencias. En un uso combinado de estos complementos, para garantizar la consistencia del resultado, la clave está en no combinar un producto de r.watershed con uno de r.stream.extract. Por ejemplo, para calcular órdenes de red con r.stream.order, no se recomienda combinar el mapa de la red producido por r.watershed con el de dirección de drenaje de r.stream.extract. Ambas entradas deben ser producidas por un mismo algoritmo.

Por lo tanto, en este punto tenemos dos opciones:

• Opción 1: generar tanto stream_rast y direction con r.watershed.

• Opción 2: generar tanto stream_rast y direction con r.stream.extract.

Dado que nuestro interés principal es la jerarquía de red, pues la utilizamos como criterio de selección de sitios idóneos para estaciones hidrométricas, podríamos saltar directamente a ejecutar el complemento r.stream.extract, y generar productos que usaremos posteriormente en r.stream.order. Esto nos ahorraría el paso de ejecutar r.watershed. Ahora bien, dado que nos interesa que r.stream.order calcule la jerarquía por el método Horton, entonces necesitaremos el mapa de acumulación, el cual sólo puede producirlo r.watershed. Comencemos precisamente con ello, generando el mapa de acumulación.

Dado que a partir de este bloque de código, inician los análisis hidrológicos, antes de ejecutar r.watershed, aplicamos una máscara ajustada a la línea de costa y los límites fronterizos del país. Esta máscara más ajustada asegura que las redes extraídas no se extiendan hacia en el mar. Por otra parte, para evitar interrupciones abruptas y no realistas del flujo, creamos una zona de influencia en el límite fronterizo para permitir la salida y entrada de flujo a través de éste.

# Importar máscara
v.import --overwrite input=mascara-1km-solo-en-frontera.gpkg output=mascara_1km_solo_en_frontera
# Fijar máscara (EJECUTAR SÓLO SI ES ESTRICTAMENTE NECESARIO, PUES TARDA MUCHO)
r.mask -r
r.mask vector=mascara_1km_solo_en_frontera

Iniciamos los análisis hidrológicos con la nueva máscara.

time r.watershed --overwrite --verbose elevation=dem_tallado \
 depression=depresiones_todas accumulation=rwshed_acum \
 threshold=180 stream=rwshed_talwegs \
 # drainage=rwshed_direccion_drenaje basin=rwshed_cuencas half_basin=rwshed_hemicuenca \
 # tci=rwshed_tci spi=rwshed_spi \
 # length_slope=rwshed_longitud_vertiente slope_steepness=rwshed_empinamiento \
 # retention=rwshed_retencion_flujo max_slope_length=rwshed_max_longitud_vertiente \
 memory=32000
echo "r.watershed finalizado" | mail -s "Mensaje sobre r.watershed" zoneminderjr@gmail.com
## real 9m47.041s

FIGURA 11: Mapas de acumulación de flujo y red extraída con r.watershed

Extracción de red de drenaje y cuencas hidrográficas según orden jerárquico

Con el DEM y la capa de acumulación generada por r.watershed, extrajimos la red hidrográfica, para lo cual, previamente elegimos, por medio de inspección visual, un umbral óptimo de acumulación. La elección del umbral óptimo puede variar en función de las características específicas de cada cuenca, como la pendiente y tamaño de la misma, la litología, el clima, entre otros atributos. En consecuencia, la práctica habitual recomienda realizar varias corridas de análisis con diferentes valores umbral para obtener la mejor configuración de la red hidrográfica para el área de interés. Los criterios que fijamos para elegir un umbral óptimo de acumulación fueron los siguientes:

1. Umbrales consistentes con estudios similares.

2. Densidad de red suficiente como para producir una red representativa.

3. Evitar la generalización de la red al punto que invisibilice lugares idóneos.

4. Evitar una red extremadamente densa con lugares que no reúnen las mínimas características hidrológicas (e.g. cursos con caudal permamennte o semipermanente).

Dado que nuestro DEM cuenta con una resolución espacial de 12.5 m, exploramos diferentes umbrales para determinar la extensión de las cuencas hidrográficas y la densidad de la red hidrográfica que nos resultara idónea. Seleccionamos los valores 180, 540 y 900 celdas como umbrales de acumulación en el complemento r.stream.extract, los cuales equivalen, respectivamente, a 3, 8 y 14 hectáreas en términos de superficie, respectivamente. Estos umbrales se inscriben en el rango de valores usados en estudios consultados (Marchesini et al. 2021), donde evalúan por métodos de “áreas susceptibles a inundación” (Freedman y Diaconis 1981), el rango de umbrales a elegir.

# Extraer redes de drenaje para tres umbrales de acumulación distintos
# En bucle
for i in `echo {180..900..360}`; \
  do echo -e "\nTRABAJANDO EL UMBRAL DE ACUMULACIÓN $i ...\n"; \
  time r.stream.extract --overwrite elevation=dem_tallado accumulation=rwshed_acum \
    depression=depresiones_todas threshold=$i \
    stream_vector=rstream_talwegs_umbral_$i stream_raster=rstream_talwegs_umbral_$i \
    direction=rstream_direccion_umbral_$i memory=32000; \
  echo -e "r.stream.extract umbral $i finalizado" | mail -s "Mensaje sobre r.stream.extract" zoneminderjr@gmail.com; \
done
## real 11m28.455s
## real 11m26.908s
## real 11m30.074s
# Único umbral, para testing
# time r.stream.extract --overwrite elevation=dem_tallado accumulation=rwshed_acum \
#   depression=depresiones_todas threshold=64 \
#   stream_vector=rstream_talwegs_umbral_64 stream_raster=rstream_talwegs_umbral_64 \
#     direction=rstream_direccion_umbral_64 memory=32000
# echo "Job finished" | mail -s "Job finished" zoneminderjr@gmail.com
## real 11m46.930s

# Calcular estadisticos, y pasar a archivo
for i in `echo {180..900..360}`; \
  do v.to.db -p option=length map=rstream_talwegs_umbral_$i > stats_length_rstream_talwegs_umbral_$i.txt;
done

stats_rstream_talwegs <- sapply(as.character(c(180, 540, 900)), function(x) 
  read_delim(paste0(dem_proc_dir, 'stats_length_rstream_talwegs_umbral_', x, '.txt'),
             progress = F, show_col_types = F), simplify = F)
n_rstream_talwegs <- stats_rstream_talwegs %>% 
  map(~ .x %>% filter(!cat==-1) %>% nrow) %>% unlist
length_rstream_talwegs <- stats_rstream_talwegs %>%
  map(~ .x %>% filter(!cat==-1) %>% pull(length) %>% sum/1000) %>% unlist

A partir del archivo de texto generado, obtuvimos los estadísticos básicos: se trata de una red compuesta por 419646, 192453 y 130244 segmentos, respectivamente para cada umbral de 180, 540 y 900 celdas, los cuales suman totales de 138444, 98213 y 82081 kilómetros de longitud, respectivamente.

Tras realizar una inspección visual de los resultados producidos por el complemento r.stream.extract, elegimos los resultados correspondientes al umbral de 540 celdas (8 ha), por adaptarse mejor a los fines de nuestro estudio. Las redes producidas con este umbral resultaron ser bastante limpias y diversas en el territorio dominicano, mostrando una hidrografía representativa sin ocultar patrones de variabilidad, necesarios en la toma de decisiones sobre selección de sitios para instalar estaciones hidrométricas. Además, como se muestra a continuación, la red generada con este umbral, alcanzó un orden máximo 8 según los métodos de Strahler y Horton, lo cual nos permitió usar, de manera preferente,pero no exclusiva, los órdenes de red 5 y 6 como candidatos idóneos para el establecimeinto de estaciones hidrométricas, por su mayor probabilidad de ser ríos permanentes o semipermanentes, sin llegar a tener valles de fondo muy ancho.

FIGURA 12: Red de drenaje extraída para tres umbrales de acumulación: (A) 180 celdas, equivalente a ~3 ha; (B) 540 celdas, equivalente a ~8 ha; (C) 900 celdas, equivalente a ~14 ha. La imagen de fondo es un relieve sombreado a partir de DEM ALOS PALSAR, mostrando el área de El Arroyazo en la reserva científica Ébano Verde (provincia La Vega, cordillera Central de República Dominicana)

Generar órdenes de red

# Extraer orden de red
# En bucle
for i in `echo {180..900..360}`; \
  do echo -e "\nTRABAJANDO EL UMBRAL DE ACUMULACIÓN $i ...\n"; \
  time r.stream.order --overwrite stream_rast=rstream_talwegs_umbral_$i \
    direction=rstream_direccion_umbral_$i \
    elevation=dem_tallado accumulation=rwshed_acum \
    stream_vect=rstream_orden_de_red_umbral_$i \
    strahler=rstream_orden_strahler_de_red_umbral_$i \
    horton=rstream_orden_horton_de_red_umbral_$i \
    topo=topologia_orden_umbral_$i memory=32000; \
  echo -e "r.stream.order umbral de acumulación $i finalizado" | mail -s "Mensaje sobre r.stream.order" zoneminderjr@gmail.com; \
done
## real 1m34.983s
## real 1m18.662s
## real 1m14.986s
# Único
# time r.stream.order --overwrite stream_rast=rstream_talwegs direction=rstream_direccion \
#     elevation=dem_tallado accumulation=rwshed_acum stream_vect=order_todos \
#     topo=topologia_orden memory=32000
# echo "Job finished" | mail -s "Job finished" zoneminderjr@gmail.com
## real 

FIGURA 13: Representación de la red hidrográfica dominicana usando simbolizando el grosor de los segmentos en función de su orden de red (método de Strahler). El orden máximo alcanzado fue de 8. Esta red fue generada usando un umbral de acumulación de 540 celdas (~8 ha)

FIGURA 14: Orden de red de Strahler para redes de drenaje generadas a partir de tres umbrales de acumulación: (A) 180 celdas, equivalente a ~3 ha; (B) 540 celdas, equivalente a ~8 ha; (C) 900 celdas, equivalente a ~14 ha. El área mostrada corresponde al río San Juan, afluente del río Yaque del Sur (vertiente sur de la cordillera Central de República Dominicana)

FIGURA 15: Orden de red de Strahler en el área del pico de la Viuda y Sabana Vieja, provincia San Juan (vertiente sur de la cordillera Central de República Dominicana). Esta red fue generada usando un umbral de acumulación de 180 celdas, equivalente a ~3 ha. De fondo, mapa topográfico nacional escala 1:50,000 y relieve sombreado

Delimitar cuencas y subcuencas según la jerarquía de red

Usamos el complemento r.stream.basins dentro de un bucle for para delimitar las cuencas y subcuencas según su orden de red máximo. Al utilizar el criterio orden de red, las unidades delimitadas por este procedimiento incluyen tanto cuencas y subcuencas, por lo que, la mayoría contiene redes de drenaje tributarias de otro río (ríos que desembocan en otros ríos).

# Delimitar cuencas según jerarquía
# En bucle
for i in `echo {180..900..360}`; \
  do for j in `echo {1..8..1}`; \
    do echo -e "\nTRABAJANDO EL UMBRAL DE ACUMULACIÓN $i, orden $j...\n"; \
    time r.stream.basins -c --overwrite direction=rstream_direccion_umbral_$i \
      stream_rast=rstream_orden_strahler_de_red_umbral_$i cats=$j \
      basins=rstream_cuencas_strahler_umbral_${i}_orden_$j memory=32000; \
  done; \
  echo -e "r.stream.basins umbral de acumulación $i finalizado" | mail -s "Mensaje sobre r.stream.basins" zoneminderjr@gmail.com; \
done
## real ~ 0m40s repetido tantas veces como órdenes para cada umbral de acumulación

Delimitar cuencas con drenaje final

En esta sección aplicamos el mismo complemento, pero esta vez para delimitar las cuencas con drenaje final. Es decir, delimitamos las cuencas completas, cuya red desemboca en el mar (exorreicas), o en lagos, lagunas y pérdidas del karst (endorreicas), y excluimos las subcuencas (red que desemboca en otro río) . Es decir, se trata de cuencas propiamente en la acepción más formal del término, que significa que no existe (ni se conoce) prolongación del drenaje superficial fuera de ellas.

# Delimitar cuencas terminales
# En bucle
for i in `echo {180..900..360}`; \
  do for j in `echo {1..8..1}`; \
    do echo -e "\nTRABAJANDO EL UMBRAL DE ACUMULACIÓN $i, orden $j...\n"; \
    time r.stream.basins -lc --overwrite direction=rstream_direccion_umbral_$i \
      stream_rast=rstream_orden_strahler_de_red_umbral_$i cats=$j \
      basins=rstream_cuencas_strahler_terminal_umbral_${i}_orden_$j memory=32000; \
  done; \
  echo -e "r.stream.basins umbral de acumulación $i finalizado" | mail -s "Mensaje sobre r.stream.basins" zoneminderjr@gmail.com; \
done
## real ~ 0m40s repetido tantas veces como órdenes para cada umbral de acumulación

Convertir cuencas a vectorial. Sólo las de umbral 540

En esta sección, convertimos las cuencas creadas en el paso anterior, a archivos vectoriales para su mejor manejo y representación. Asimismo, representamos el mapa de las estaciones hidrométricas existentes sobre las cuencas categorizadas en función del orden de red máximo encontrado en ellas.

A primera vista, notamos que la cobertura de la red de estaciones es relativamente baja y que, a priori, existe un déficit importante de estaciones hidrométricas en la mayoría de las cuencas de orden 5 y superiores, con una marcada concentración en cuencas con presas. Reconocemos que el establecimiento de estaciones hidrométricas asociadas a las presas es una labor de rutina y necesaria, pero el desbalance entre cuencas instrumentadas y no instrumentadas es significativo, lo cual, en última instancia, contribuye al sesgo en el dato hidrométrico. El mapa muestra las estaciones según estado “Bueno” y “Regular”, de acuerdo con lo reportado en el informe del INDRHI de 2019 (INDRHI 2019), así como las dos estaciones manejadas por el Servicio Geológico Nacional (SGN)

for i in `echo {1..8..1}`; \
  do r.to.vect --overwrite input=rstream_cuencas_strahler_terminal_umbral_540_orden_$i \
  output=rstream_cuencas_strahler_terminal_umbral_540_orden_$i type=area; \
  v.db.addcolumn rstream_cuencas_strahler_terminal_umbral_540_orden_$i columns="strahler int"; \
  v.db.update rstream_cuencas_strahler_terminal_umbral_540_orden_$i \
  col=strahler value=$i where="strahler IS NULL"; \
done
v.patch -e --overwrite \
  input=`g.list type=v pattern='rstream_cuencas_strahler_terminal_umbral_540_orden_*' separator=comma` \
  output=rstream_cuencas_strahler_terminal_umbral_540_todos

# Calcular estadisticos, y pasar a archivo
## Preparación de fuentes (corrección de topología > actualización de área > eliminar registros)
v.clean --overwrite layer=1 input=rstream_cuencas_strahler_terminal_umbral_540_todos \
  output=rstream_cuencas_strahler_terminal_umbral_540_todos_cleaned tool=rmarea threshold=200
v.to.db --overwrite option=area type=centroid columns=area \
  map=rstream_cuencas_strahler_terminal_umbral_540_todos_cleaned
v.db.droprow rstream_cuencas_strahler_terminal_umbral_540_todos_cleaned output=rstream_cuencas_strahler_terminal_umbral_540_todos_cleaned_2 where="area IS NULL"
g.rename --overwrite \
  vector=rstream_cuencas_strahler_terminal_umbral_540_todos_cleaned_2,\
  rstream_cuencas_strahler_terminal_umbral_540_todos_cleaned

## Ahora sí, la tabla
v.db.select --overwrite rstream_cuencas_strahler_terminal_umbral_540_todos_cleaned where='cat!=-1' > \
  stats_area_rstream_cuencas_strahler_terminal_umbral_540_todos.txt

stats_rstream_cuencas_540 <- read_delim(
  paste0(dem_proc_dir, 'stats_area_rstream_cuencas_strahler_terminal_umbral_540_todos.txt'),
  progress = F, show_col_types = F)
rstream_cuencas_540_por_orden <- stats_rstream_cuencas_540 %>% 
  rename(`Orden de red (Strahler)` = strahler) %>% 
  group_by(`Orden de red (Strahler)`)  %>%
  summarise(`Número de cuencas` = n(),
            `Área promedio` = mean(area),
            `Área total` = sum(area)) 
rstream_cuencas_540_por_orden %>%
  ggplot + aes(x = `Orden de red (Strahler)`, y = `Número de cuencas`) + geom_line() +
  scale_y_continuous(trans='log2') + theme_bw()

rstream_cuencas_540_por_orden %>%
  kable(format = 'html', escape = F, booktabs = T,
        caption = 'Relación entre orden de red de Strahler y número de cuencas de República Dominicana') %>%
  kable_styling(bootstrap_options = c("hover", "condensed"), full_width = T)

TABLA 2: Relación entre orden de red de Strahler y número de cuencas de República Dominicana

Orden de red (Strahler)	Número de cuencas	Área promedio	Área total
1	4070	263837.3	1073817672
2	2029	956249.8	1940230776
3	606	3911578.6	2370416619
4	165	21414857.6	3533451511
5	46	111125189.5	5111758717
6	19	517463997.1	9831815945
7	2	3979801647.7	7959603295
8	4	3708474023.0	14833896092

Los estadísticos básicos de cuenca sugieren, en primer lugar, que la familia de complementos r.stream* está produciendo resultados consistentes, pues se observa claramente el típico decrecimiento exponencial del número de cuencas en relación con el orden de red. En segundo lugar, destaca un hecho particular que hemos observado en otra cuencas del país: el número de cuencas de orden 7 es menor número de cuencas muy reducido (incluyendo la cuenca del Yaque del Norte) con relación al posterior.

FIGURA 16: Cuencas de orden 4 o superior de República Dominicana, extraídas a partir de una red de drenaje creada usando 540 celdas (aprox. 8 ha) como umbral de acumulación del DEM ALOS PALSAR. Nótese el marcado déficit de estaciones en gran parte del territorio

Propuesta de sitios idóneos para estaciones hidrométricas

Las redes de drenaje y las cuencas hidrográficas generadas en los pasos anteriores, fueron la base de información primordial y objetivo principal de esta investigación. A partir de la red generada, definimos el área de interés u objetivo, que son los cauces. El segundo objetivo de nuestra investigación fue seleccionar sitios prioritarios para establecer estaciones hidrométricas. Explicamos en esta sección cómo desarrollamos ese segundo objetivo.

El codiseño: sinergia con la propuesta de red de estaciones meteoclimáticas

Con la red disponible, y generando algunas variables adicionales, nos encontrábamos en capacidad de aplicar algoritmos de reclasificación de variables y álgebra de mapas para producir una lista de sitios que cumplierann con criterios preestablecidos. Sin embargo, esta aproximación podría considerarse un tanto ingenua y hasta ineficiente, pues ignoraría los resultados que obtuvimos en el estudio complementario a éste titulado “Selección de sitios para el establecimiento de una red de estaciones meteoclimáticas en República Dominicana usando decisión multicriterio y análisis de vecindad”. Por esta razón, optamos por un esquema de codiseño flexible, de tal suerte que la propuesta de estaciones hidrométricas aprovechase la red de estaciones meteoclimáticas. Resumimos a continuación las múltiples ventajas de esta decisión.

En primer lugar, la estrategia de codiseño redujo significativamente el tiempo de cómputo de variables territoriales. En segundo lugar, al proponer la colocación de ambos tipos de estaciones a un mismo contexto, estamos impulsando la co-observación del dato climático e hidrométrico. En tercer lugar, las áreas priorizadas, cumplen con una serie de criterios que son comunes a la selección de sitios idóneos para estaciones hidrométricas, como son la estacionalidad pluviomética y la distancia a accesos. En cuarto lugar, al reaprovechar la localización de estaciones meteoclimáticas, sacamos partido a los escenarios de densidad de estaciones (e.g. una estación para X km²) y nos apegamos a los estándares propuestos por la OMM. Los escenarios de densidad son una oportuna herramienta de planificación, pues bien usados, evitan la redundancia en la red, ofrecen varias alternativas de presupuesto de inversión, y facilitan el despliegue de medios de forma escalonada.

A pesar de las múltiples ventajas señaladas, existen algunas desventajas que consideramos oportuno mencionar. En primer lugar, una corriente fluvial no necesariamente tiene su mejor lugar de medición en torno a un sitio preestablecido. Por esta razón, consideramos que, en la fase de implementación, la sensatez y la flexibilidad deben primar. No olvidemos que las bases de datos geoespaciales y los algoritmos sólo nos dan una idea preliminar; para tomar la decisión final se necesitará, sobre todo, de conocimiento de terreno y un sólido compromiso presupuestario. Otra desventaja del codiseño es el riesgo de subestimar los costos de operación y mantenimiento de las estaciones hidrométricas, pues estas son más complejas y sufren más incidencias que las meteoclimáticas.

Áreas de prospección: definición, materialización

Para materializar el codiseño de las redes, nos apoyamos en lo que denominamos como áreas de prospección para el establecimiento de estaciones hidrométricas o AP. Definimos el AP como un polígono imaginario que rodea a una estación meteoclimática existente o propuesta—sin exceder su área de representación—, creado con el objetivo de evaluar, de manera flexible, la idoneidad de instalar una estación hidrométrica. La identificación del sitio idóneo se realiza aplicando criterios de idoneidad, los cuales a su vez se obtienen reclasificando información territorial y aplicando álgebra de mapas.

Para materializar las AP sólo necesitamos la red de estaciones meteoclimáticas existentes y propuestas, y definir un área de influencia (e.g. buffer) en torno a ella. En el estudio complementario ya referido, propusimos tres escenarios de densidades distintos: un escenario donde cada estación tenía un área de representación de 100 km² (219 estaciones, entre existentes y propuestas), otro de 150 km² (138 estaciones) y otro de 250 km² (85 estaciones).

En el referido estudio, las áreas de representación de las estaciones meteoclimáticas las materializamos por medio de los criterios de densidad. Por ejemplo, en el escenario de densidad “100 km² por estación”, el área de representación de una estación era precisamente dicho valor, 100 km². Pero en el estudio que nos ocupa, lo que necesitamos son áreas de prospección para situar estaciones hidrométricas, con la condición de que queden inscritas íntegamente dentro de las áreas de representación de la red meteoclimática.

Resolvemos esta condición de manera más eficiente si generalizamos el problema. Una estación meteoclimática \(M_i\) cubre un área de representación \(b_i\), con radio \(p_i=\sqrt{b_i/\pi}\). Queremos localizar un sitio idóneo para establecer, en su entorno, una estación hidrométrica, \(H_i\), explorando el AP, la cual denotamos como \(c_i\) con radio \(q_i\). Para garantizar que \(c_i\) quede inscrita dentro de \(b_i\), siendo a su vez lo más grande posible, tenemos que observar dos restricciones: 1) Localización: los centroides de los polígonos de ambas áreas, coinciden; 2) Tamaño: \(c_i\) debe ser menor que \(b_i\), es decir \(c_i<b_i\).

Una solución programática para este problema consiste en crear \(c_i\) por medio de buffer circulares en torno a \(M_i\), donde los radios guardan una desigualdad tal que \(q_i<p_i\), para lo cual haremos que \(p_i\) se multiplique por una fracción propia y obtener así el valor de \(q_i\). Luego de evaluar las opciones \(q_i=p_i/2\) y \(q_i=2p_i/3\), preferimos esta última para generar \(c_i\), porque nos ofreció una zona de búsqueda mayor, sin que la circunferencia resultante se acercara a la del área de representación de \(M_i\). Por lo tanto, la distancia que usamos para generar las áreas buffer es \(q_i=\frac{2}{3}p_i=\frac{2}{3}\sqrt{b_i/\pi}\), que para los casos específicos de las densidades 100, 150 y 250, equivalen a 3.76, 4.61 y 5.95 kilómetros, respectivamente.

Para generarlas, importamos a la base de datos de GRASS GIS la capa de puntos que contiene la propuesta de sitios de estaciones meteoclimáticas de cada escenario de densidad (100, 150 y 250 km²), considerando sólo la red donde se eliminó redundancia por proximidad con estaciones meteoclimáticas de INDRHI y ONAMET existentes que se encontraban en estado “bueno”. Posteriormente, importamos propiamente la red de estaciones meteoclimáticas de INDRHI y ONAMET existentes, conservando sólo aquellas en estado bueno. Finalmente, combinamos, en un único vectorial, las estaciones y los sitios propuestos. Usando el mapa combinado y las distancias ya calculadas, generamos las áreas buffer que representan las AP (ver figura siguiente).

# Propuestas de estaciones
vareaskm2=(100 150 250)
for areakm2 in "${vareaskm2[@]}"; do v.import --overwrite \
  input=escenario_${areakm2}_km2_por_estacion_exclusion_redundancia_activas_buenas.gpkg \
  output=escenario_${areakm2}_km2;
done
# Estaciones climáticas del INDRHI
v.import --overwrite input=con_indicacion_estatus_climaticas_indrhi.gpkg \
  output=tmp; \
  v.extract --overwrite input=tmp where='Estado=="Bueno"' output=estaciones_indrhi
  g.remove -f type=vector name=tmp
# Estaciones climáticas de ONAMET
v.import --overwrite input=con_indicacion_estatus_onamet.gpkg \
  output=tmp; \
  v.extract --overwrite input=tmp where='estado=="activa"' output=estaciones_onamet
  g.remove -f type=vector name=tmp
#Combinar estaciones y sitios propuestos en un único vectorial
for areakm2 in "${vareaskm2[@]}"; do v.patch --overwrite \
  input=escenario_${areakm2}_km2,estaciones_indrhi,estaciones_onamet \
  output=puntos_para_areas_prospeccion_${areakm2}_km2;
done
# Crear buffer de tamaño variable, con categorías únicas ("cat" secuencial)
for areakm2 in "${vareaskm2[@]}"; do v.buffer --overwrite \
  input=puntos_para_areas_prospeccion_${areakm2}_km2 distance=`echo "scale=2;(2*sqrt($areakm2/3.14159))*1000/3" | bc` \
  output=areas_prospeccion_${areakm2}_km2;
  v.category --overwrite input=areas_prospeccion_${areakm2}_km2 output=tmp option=del cat=-1;
  v.category --overwrite input=tmp  output=areas_prospeccion_${areakm2}_km2 option=add step=1;
  v.db.addtable areas_prospeccion_${areakm2}_km2 columns="cat int";
done

FIGURA 17: Áreas de prospección de sitios para evaluar la instalación estaciones hidrométricas. Cada AP es un buffer circular de radio proporcional a la separación entre estaciones meteoclimáticas (propuestas o existentes) para distintos escenarios de densidad de estaciones (ver estudio complementario “Selección de sitios para el establecimiento de una red de estaciones meteoclimáticas en República Dominicana usando decisión multicriterio y análisis de vecindad”)

Los pasos siguientes consistieron en generar, dentro de las AP, los diferentes criterios que aplicamos a la selección de sitios para el establecimiento de estaciones hidrométricas. Para ello, ejecutamos varios complementos de GRASS GIS fijando como máscara las AP. Este paso fue crucial, pues conseguimos mejorar el tiempo de cómputo en la generación de las variables de entrada para seleccionar sitios prioritarios.

Generación de criterios

Elegimos los siguientes criterios de priorización de sitios para el establecimiento de estaciones hidrométricas, los cuales calculamos exclusivamente dentro de las áreas prospección:

• Orden de red: 4 para órdenes 4 a 8; excluidos órdenes ≤ 3.
• Criterios de Rantz (Rantz 1982a, 1982b)seleccionados:
  • Fondo de valle: 4 para fondos de valle pequeños; 1 para fondos de valle grandes.
  • Sinuosidad del tramo (#1 de lista de Rantz): 4 para rectilíneo (sinuosidad baja); 1 para curvo (sinuosidad alta)
  • Tipo de sustrato rocoso, rocas consistentes (#5): 4 para magmáticas nada o poco alteradas; 3 para metamórficas (no mármoles); 2 para sedimentarias (no calizas); 1 para calizas.
  • Distancia máxima a confluencias y efectos mareales (#7): 4 para distante; 1 para próximo
  • Accesible (#9): 4 para próximo; 1 para distante. Ya valorado para las estaciones meteoclimáticas.
• Instrumentación en la subcuenca específica: se aplica al finalizar, realizando un análisis de vecindad por subcuenca, para determinar si el sitio propuesto se encuentra próximo a otro existente.

Fondos de valle

Usando el complemento r.valley.bottom (Gallant y Dowling 2003), obtuvimos el “índice múltiresolución de planitud de fondos de valle” (MrVBF), con el cual estimamos la superficie ocupada por este importante elemento morfológico del sistema fluvial. Este criterio nos sirvió para discriminar entre talwegs con fondo de valle anchos, (menos prioritarios, por su mayor inversión requerida), y talwegs con fondos de valle estrechos (prioritarios).

Nota sobre la eficiencia del complemento r.valley.bottom. En un primer intento, en el que ejecutamos el algoritmo para todo el país, intentamos obtener tanto MrVBF y MrRTF (los fondos de valle y las crestas) sin éxito. En ese primer intento, la ejecución tardó más de 4 horas, y el ráster resultante sólo contenía valores sin datos, lo cual atribuimos a la inclusión del MrRTF. Posteriormente lo logramos excluyendo MrRTF.

# Fijar máscara
r.mask -r
mascara_1km_solo_en_frontera

# Ejecutar r.valley.bottom. Tardó un tiempo considerable
time r.valley.bottom --verbose --overwrite elevation=dem_pseudo_ortometrico \
  mrvbf=rvb_fondo_de_valle_pais
# real 91m20.473s

# Probamos también cambiando el parámetro min_cells, lo cual reducía el número de pasos.
# Conseguimos tiempos de ejecución menores (todo el país, tiempo de cómputo: ~1 hora),
# pero entendemos que la precisión de la corrida anterior fue más precisa
# Algunas pruebas:
# Estas alternativa, usando el total de celdas en min_cells,
# fue rápida (menos pasos), pero no superó a la anterior en precisión
time r.valley.bottom --verbose --overwrite elevation=dem_pseudo_ortometrico \
  mrvbf=rvb_fondo_de_valle_pais \
  min_cells=911808546
# real 61m18.997s

# Probamos generar MrVBF sólo dentro 
# de las AP, aplicando una máscara con bucle for. El tiempo de 
# cómputo no se redujo, al contrario, aumentó a más de 3 horas.
vareaskm2=(100 150 250)
for areakm2 in "${vareaskm2[@]}"; do \
  r.mask -r; \
  r.mask vector=areas_prospeccion_${areakm2}_km2; \
  time r.valley.bottom --verbose --overwrite elevation=dem_pseudo_ortometrico \
  mrvbf=rvb_fondo_de_valle_${areakm2}_km2 \
  min_cells=911808546; \
  echo -e "Fondo de valle finalizado" | mail -s "Mensaje sobre r.valley.bottom"; \
  echo -e "Fondo de valle para $i km2 finalizado" | mail -s "Mensaje sobre r.valley.bottom" zoneminderjr@gmail.com; \
done
# real 66m33.824s
# real 66m25.192s
# real 66m37.745s

Con la imagen de fondos de valle, obtuvimos una imagen de anchura de cauce. El procedimiento abreviado consistió en determinar, localmente para cada tramo de corriente, el valor del índice MrVBF, convertirlo a puntuacionez z, obtener el área de fondo de valle y dividirla por la longitud del tramo.

Primero, extrajimos los cursos de orden 4 o superior:

# Extraer orden 4. En GRASS
v.extract input=rstream_orden_de_red_umbral_540 \
  output=rstream_orden_de_red_umbral_540_orden_4_y_superior where="strahler >= 4"

# Crear área buffer sólo con los cursos fluviales de orden 4 (o 3) en adelante.
# Nos interesan los cursos intersectados con las áreas de prospección. Igualmente,
# nos interesan de orden 4+, porque son los únicos que priorizamos, y de esta manera
# eficientizamos el tiempo de cómputo. Usar preferentemente GDAL/OGR para esta tarea.
# En nuestro caso, lo hicimos en la GUI de QGIS o a través de la API Python de QGIS
# En QGIS
# 1. Cargamos las áreas de prospección y las unimos en un único archivo
processing.run("native:mergevectorlayers", {'LAYERS':['grassdata/PERMANENT/areas_prospeccion_100_km2/1_polygon','grassdata/PERMANENT/areas_prospeccion_150_km2/1_polygon','grassdata/PERMANENT/areas_prospeccion_250_km2/1_polygon'],'CRS':None,'OUTPUT':'areas_prospeccion_todas.gpkg'})

# 2. Seleccionamos los cursos que tocan áreas de prospección ("Selección por localización")
# Creado archivo "rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap.gpkg"

# 3. Creamos áreas buffer:
processing.run("native:buffer", {'INPUT':'rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap.gpkg','DISTANCE':100,'SEGMENTS':5,'END_CAP_STYLE':1,'JOIN_STYLE':2,'MITER_LIMIT':2,'DISSOLVE':False,'OUTPUT':'buffers.gpkg'})

Pasamos a GRASS GIS, donde ejecutamos el script central.

# 4. Llevar las áreas de prospección, cursos que tocan áreas de prospección y buffer a GRASS
# Necesitaremos sobre todo los buffers, pero las otras las importamos también
# para conservarlas en un único lugar
v.in.ogr --overwrite input=areas_prospeccion_todas.gpkg output=areas_prospeccion_todas
v.in.ogr --overwrite input=buffers.gpkg output=buffers
v.in.ogr --overwrite input=rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap.gpkg \
  output=rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap

# 5. Crear una lista de IDs únicos del campo "cat"
ids=$(v.db.select -c map=buffers column=cat)

# 6. Quitar máscara
r.mask -r

# 7. Recorrer los IDs únicos de la lista
for id in $ids; do

  # 8. Extraer el polígono correspondiente al ID y usarlo como máscara
  v.extract --overwrite -d input=buffers cats=$id output=poligono
  g.region vector=poligono
  r.mask vector=poligono

  # 9. Calcular los valores Z del raster
  r.mapcalc --overwrite \
    "z = (rvb_fondo_de_valle_pais - `r.univar map=rvb_fondo_de_valle_pais | \
          grep 'mean:' | awk -F ': ' '{print $2}'`) / \
         (`r.univar map=rvb_fondo_de_valle_pais | grep 'standard' | awk -F ': ' '{print $2}'`)"

  # 10. Calcular el área de los valores Z mayores o iguales a 1
  r.mapcalc --overwrite "mayor1 = if(z > 1, 1, null())"
  area=$(r.report -n map=mayor1 units=meters | grep '1|.*\.|' | awk -F'|' '{print $4}' | sed 's/,//g')

  # 11. Agregar una nueva columna al vectorial y actualizar el valor del área calculada
  v.db.addcolumn map=buffers columns="area_z double precision"
  v.db.update map=buffers column=area_z value=$area where="cat = $id"

  # 12. Limpiar la máscara de región
  r.mask -r
done

# Importar vectorial a GRASS (trabajado en QGIS), rasterizar anchuras
v.in.ogr input=rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_con_anchura_cauce.gpkg \
  output=rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_con_anchura_cauce
v.to.rast type=line input=rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_con_anchura_cauce \
  output=rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_con_anchura_cauce \
  use=attr attribute_column=de_buffers_con_areas_anchura_cauce
# Reclasificar
r.mapcalc "rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_con_anchura_cauce_rcl = if(rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_con_anchura_cauce < 20, 4, if(rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_con_anchura_cauce >= 20 && rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_con_anchura_cauce < 35, 3, if(rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_con_anchura_cauce >= 35 && rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_con_anchura_cauce < 50, 2, if(rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_con_anchura_cauce >= 50, 1, null()))))"

Nuestro cálculo de anchura de cauce probablemente sobrestima en algunos puntos del territorio y en otros subestima. Un chequeo cruzado rápido y no sistemático sugiere que el RMSE ronda los 5 m, pero necesitamos más comprobaciones, sobre todo de campo, para tener obtener una cifra más precisa. Para comprender mejor el problema, es necesario describir cómo funciona el script (basado en bucle for y funciones de GRASS GIS) que creamos para la estimación de anchura de cauce.

El script genera áreas buffer de 100 m en torno a las corrientes. Para cada área buffer, el script extrae los valores del ráster de fondo de valle de dicha área buffer específica, los convierte a puntuaciones \(z\) por medio de la fómrmula \((x_i-\mu)/\sigma\)y, posteriormente, reclasifica \(z\ge1\) a valor 1 (el resto se conserva como nulo). Nosotros comprobamos que \(z\ge1\), en un contexto local (no usando la media ni la desviación estándar globales), suele ser un umbral muy preciso para separar los píxeles de fondos de valle del resto, y no el umbral global de 0.5 sugerido por Gallant y Dowling (2003). Acto seguido, el script obtiene el área ocupada por las puntuaciones \(z\ge1\). Finalmente, dicha área es transcrita al vectorial de cursos fluviales. Para obtener la anchura promedio, dividimos el área de fondo de valle (o sea, el área donde \(z\ge1\)) entre la longitud del tramo. Es en este punto es donde entendemos que se podría introducir algún error, aunque no estamos seguros del todo de si nuestra aproximación actual es más precisa. Al usarse el tramo completo, sin considerar la presencia o no de áreas con \(z\ge1\), la división se realiza con un valor de longitud que representa tramos donde probablemente el fondo de valle no pudo ser bien “observado” por el sensor del satélite.

¿Cómo resolverlo? Si usásemos vectoriales, podríamos interceptar el área con puntuaciones \(z\ge1\) con la línea del talweg; de esta manera, estaríamos dividiendo el área donde el DEM y el algoritmo r.valley.bottom indicaron con precisión que el fondo de valle existe, entre una longitud acotada precisamente a dicha área. Sería cuestión de realizar pruebas, y no sabemos si el rendimiento se comprometa sensiblemente. No obstante, entendemos que el resultado, aún con esta mejora pendiente, es bastante satisfactorio y podemos usarlo con confianza para definir el criterio “anchura de cauce”.

Un detalle que merece mención es el hecho de que los valores de anchura obtenidos son correlativos de la fecha del DEM, año 2010. Es altamente probable que muchos sectores hayan cambiado en cuanto a su fondo de valle, pero esto sólo parece haber afectado a las áreas con embalses.

Litología

Recodificamos las litologías según escala de prioridad. Recodificamos las rocas karstificadas, así como las poco consistentes, a “marginalmente prioritario”, mientras que las menos porosas y con mayor probabilidad de acoger cauces con escorrentía permanente, las recodificamos como “imprescindible”.

FIGURA 18: Prioridad de instalación de estaciones hidrométricas según litología aflorante

#v.in.ogr --overwrite input=litologia-recodificado.gpkg output=litologia_recodificado
v.in.ogr --overwrite input=litologia-recodificado-v2.gpkg output=litologia_recodificado
v.to.rast --overwrite type=area input=litologia_recodificado output=litologia_recodificado use=attr attribute_column=codigo_idoneidad_estacion_hidrometrica

Sinusoidad

# De vectorial a ráster
v.to.rast type=line input=rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap \
  output=rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_sinusoidad \
  use=attr attribute_column=sinosoid
# Reclasificado
r.mapcalc --overwrite "rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_sinusoidad_rcl = if(rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_sinusoidad >= 0.44 && rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_sinusoidad < 0.88, 4, if(rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_sinusoidad >= 0.88 && rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_sinusoidad < 1.20, 3, if(rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_sinusoidad >= 1.20 && rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_sinusoidad < 1.60, 2, if(rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_sinusoidad >= 1.60 && rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_sinusoidad <= 4.20, 1, null()))))"

Distancia máxima a confluencias

v.to.rast type=point input=rstream_orden_de_red_umbral_540_orden_4_y_superior \
  output=rstream_orden_de_red_umbral_540_orden_4_y_superior_confluencias use=val value=1
r.grow.distance input=rstream_orden_de_red_umbral_540_orden_4_y_superior_confluencias \
  distance=rstream_orden_de_red_umbral_540_orden_4_y_superior_confluencias_distancias
v.rast.stats map=rstream_orden_de_red_umbral_540_orden_4_y_superior type=line \
  raster=rstream_orden_de_red_umbral_540_orden_4_y_superior_confluencias_distancias \
  column_prefix=distancia_conf method=maximum
v.to.rast type=line input=rstream_orden_de_red_umbral_540_orden_4_y_superior \
  output=rstream_orden_de_red_umbral_540_orden_4_y_superior_distancia_max_a_confluencia \
  use=attr attribute_column=distancia_conf_maximum
r.mapcalc "rstream_orden_de_red_umbral_540_orden_4_y_superior_distancia_max_a_confluencia_rcl = if(rstream_orden_de_red_umbral_540_orden_4_y_superior_distancia_max_a_confluencia < 100, 1, if(rstream_orden_de_red_umbral_540_orden_4_y_superior_distancia_max_a_confluencia >= 100 && rstream_orden_de_red_umbral_540_orden_4_y_superior_distancia_max_a_confluencia < 200, 2, if(rstream_orden_de_red_umbral_540_orden_4_y_superior_distancia_max_a_confluencia >= 200 && rstream_orden_de_red_umbral_540_orden_4_y_superior_distancia_max_a_confluencia < 400, 3, if(rstream_orden_de_red_umbral_540_orden_4_y_superior_distancia_max_a_confluencia >= 400, 4, null()))))"

Álgebra de mapas

# Aplicar
r.mapcalc --overwrite \
  "prioridad = (0.55 * litologia_recodificado + \
                0.15 * rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_sinusoidad_rcl +  \
                0.15 * rstream_orden_de_red_umbral_540_orden_4_y_superior_distancia_max_a_confluencia_rcl + \
                0.15 * rstream_orden_de_red_umbral_540_orden_4_y_superior_tocan_ap_con_anchura_cauce_rcl)"
# Reescalar
#r.mapcalc --overwrite "prioridad_reescalada = int(round(((prioridad - 1.25) / (3.75 - 1.25)) * (4 - 1) + 1))"
r.mapcalc --overwrite "prioridad_reescalada = int(round(((prioridad - 0.6) / (3.85 - 0.6)) * (4 - 1) + 1))"
# Pasar a vectorial
r.to.vect --overwrite input=prioridad_reescalada \
  output=prioridad_reescalada type=line

FIGURA 19: Prioridad de instalación de estaciones hidrométricas, escenario de densidad, 250 km cuadrados. Los autores del trabajo somos conscientes de que hay que eliminar determinados tramos, en concreto, en áreas de karst. Pudimos haberlo hecho manualmente, pero no es una opción metodológicamente correcta, ni reproducible, así que lo mejoraremos en breve y esta nota desaparecerá.

Sobre la categorización en escalas de prioridad aplicadas a las estaciones hidrométricas

La categorización usada en este estudio responde a una escala de prioridades que, si bien es útil para los tomadores de decisiones, a los planificadores del territorio y a quienes manejamos información territorial nos resulta bastante compleja. Estamos convencidos de que el puente entre lo que lo que conocemos sobre el terreno y lo que se define como prioritario, no lo vamos a construir con un estudio; no hay tinta suficiente, ni un data center lo suficientemente grande, como para poder explicar cómo se decide la inversión en los sitios.

Lo que sí podemos hacer en este contexto es explicar qué entendemos por “imprescindible” y qué entendemos por “marginalmente prioritario”, a la vista de los resultados obtenidos y de la complejidad que conlleva elegir sitios idóneos para establecer estaciones hidrométricas en todo un país.

En general, el tipo de roca, la sinuosidad de un tramo o la anchura de un valle, son criterios que podrían desfavorecer a un hipotético lugar de valle fluviale muy ancho, con cauce de trazado sinuoso discurriendo sobre margas poco consistentes, calizas intercaladas muy karstificadas y aluvial. Si en ese lugar hipotético hubiese escorrentía (y casos tenemos), pues también merece ser instrumentado.

El tema aquí es de costos, y las prioridades también se ven afectadas por este. Desde la planificación, lo que más nos interesa determinar es si se necesitará una obra grande costosa o una obra pequeña. Desafortunadamente, esto no lo puede resolver el mapa geológico, porque en pleno basalto, podría ser necesaria una gran obra, tan grande como en un afloramiento de margas. Esto así porque la intervención se podrá acometer o no tan pronto se realice un estudio de prefactibilidad.

Nuestra misión es proponer sitios a escala nacional. Para ello, usamos la fuente más detallada disponible a la fecha. Pero aun así, para no arriesgarnos, decidimos que los lugares etiquetados como “altamente prioritarios” son aquellos que tienen cauce estrecho (según nuestras estimaciones a priori), que se encuentran en litología “bondadosa” (e.g. basalto), y que tienen un largo tramo de cauce rectilíneo alejado de desembocaduras y confluencias. En estos lugares, se realizaría la inversión más pequeña, porque requerirán obras más pequeñas (aunque el costo final dependerá también de su accesibilidad). Definir estos ámbitos como prioritarios, facilita también el despliegue de iniciativas de inversión de manera escalonada.

Por otra parte, en los lugares que fueron catalogados con la etiqueta “prioritario”, y quizá en algún caso los catalogados como “moderadamente prioritarios”, proponemos una intervención gradual y a largo plazo, dado que requieren mayor inversión. No obstante, los sitios catalogado como “moderadamente prioritarios” podrían er lugares poco convenientes, por lo que dicha categoría debe tomarse con cautela.

Al margen de lo anterior, y tal como sugieren varias publicaciones sobre el diseño de redes de medición hidrométrica, lo deseable es definir objetivos concretos en cuanto al agua, y añadirlos como una capa de criterios más sobre los meramente físico. Continuemos con los análisis.

Analicemos los resultados en R

Primero exportamos a archivos los mapas generados en GRASS GIS sobre áreas prospección según escenarios de densidad y la priorización reescalada. Luego importamos estas fuentes a R. Es posible leer los mapas de GRASS GIS directamente desde R con el paquete rgrass, pero con el objetivo de mantenerlo lo más simple posible, exportamos primero desde GRASS GIS a GeoPackage y luego importamos a R. Esto facilita además la generación de archivos de uso generalizado. Como se puede comprobar, el mapa de prioridades rescaladas se representa en nuestra habitual escala 1 a 4, marginalmente prioritario, moderadamente prioritario, prioritario y imprescindible.

vareaskm2=(100 150 250)
for areakm2 in "${vareaskm2[@]}"; do \
  v.out.ogr input=areas_prospeccion_${areakm2}_km2 output=areas_prospeccion_${areakm2}_km2.gpkg;
done
v.out.ogr input=prioridad_reescalada output=prioridad_reescalada.gpkg

escenario <- as.character(c(100,150,250))
ap <- sapply(escenario, function(x)
  obj_sf <- st_read(paste0(dem_proc_dir, 'areas_prospeccion_', x, '_km2.gpkg'), quiet=T),
  simplify = F)
prioridad <- st_read(paste0(dem_proc_dir, 'prioridad_reescalada.gpkg'), quiet=T)

Exploramos cuántos sitios por tipo de prioridad fueron encontrados para cada escenario de densidad.

intersecciones <- sapply(ap, st_intersection, prioridad, simplify = F)
centroides_tramos <- intersecciones %>%
  map(~ .x %>%
        mutate(prioridad = factor(value, levels = 1:4, labels = fuente)) %>% 
        rename(`Área de prospección` = cat, `ID de tramo ("cat")` = cat.1) %>% 
        st_centroid %>%
        group_by(`Área de prospección`, `ID de tramo ("cat")`, value, prioridad) %>% 
        summarize(geometry = st_union(geom)))
resultados_df <- centroides_tramos %>% map(~ .x %>%
                          group_by(`Área de prospección`, prioridad) %>%
                          st_drop_geometry %>%
                          count %>% 
                          pivot_wider(names_from = prioridad, values_from = n, values_fill = 0) %>% 
                          mutate(`Total prioritario + imprescindible` = prioritario + imprescindible,
                                 `Total moderadamente prioritario + prioritario + imprescindible` = `moderadamente prioritario` + prioritario + imprescindible)
                   )
resultados_por_area <- map(escenario,
                           ~ ap[[.x]] %>%
                             rename(`Área de prospección` = cat) %>%
                             inner_join(resultados_df[[.x]])) %>% setNames(escenario)

map(escenario, function(x) resultados_por_area[[x]] %>%
      st_drop_geometry() %>% 
      kable(format = 'html', escape = F, booktabs = T,
      caption = paste0('Número de tramos identificados por cada área de prospección ',
                       'según nivel de prioridad. Escenario de densidad: ', x, ' kilómetros cuadrados')) %>%
      kable_styling(bootstrap_options = c("hover", "condensed"), full_width = T))

[[1]]

TABLA 3: Número de tramos identificados por cada área de prospección según nivel de prioridad. Escenario de densidad: 100 kilómetros cuadrados

Área de prospección	moderadamente prioritario	marginalmente prioritario	prioritario	imprescindible	Total prioritario + imprescindible	Total moderadamente prioritario + prioritario + imprescindible
1	1	0	0	0	0	1
3	1	0	0	0	0	1
4	4	0	0	0	0	4
5	7	0	0	0	0	7
6	6	1	1	0	1	7
8	4	1	1	0	1	5
9	0	0	11	0	11	11
10	6	0	5	1	6	12
11	1	0	0	0	0	1
12	1	0	0	0	0	1
13	1	0	0	2	2	3
14	7	0	0	0	0	7
16	0	2	0	0	0	0
17	1	0	0	0	0	1
18	4	0	0	0	0	4
19	0	0	1	0	1	1
20	29	0	0	0	0	29
21	1	0	0	0	0	1
22	2	0	17	0	17	19
23	8	0	1	0	1	9
24	2	0	0	0	0	2
25	2	0	0	0	0	2
27	16	0	9	0	9	25
29	6	0	0	0	0	6
31	2	0	0	0	0	2
32	10	0	1	0	1	11
33	5	2	0	0	0	5
34	3	0	6	0	6	9
35	1	0	2	2	4	5
36	0	1	3	0	3	3
37	8	0	0	0	0	8
39	0	1	0	0	0	0
40	2	0	2	1	3	5
41	0	0	5	1	6	6
43	3	0	5	0	5	8
44	2	1	0	0	0	2
45	7	0	0	0	0	7
47	0	0	2	2	4	4
49	1	0	1	0	1	2
51	16	0	0	0	0	16
52	8	0	13	0	13	21
53	6	0	3	0	3	9
54	1	0	0	0	0	1
55	23	1	8	0	8	31
56	14	0	0	0	0	14
58	0	0	0	1	1	1
59	5	0	0	0	0	5
60	0	0	11	0	11	11
61	1	0	0	0	0	1
62	2	0	8	0	8	10
64	12	0	10	0	10	22
65	2	3	0	0	0	2
66	8	0	3	0	3	11
67	0	0	1	0	1	1
68	2	0	0	0	0	2
69	3	0	0	0	0	3
70	4	2	0	0	0	4
71	0	0	3	0	3	3
72	32	0	0	0	0	32
73	2	1	0	0	0	2
74	2	0	0	0	0	2
75	0	0	1	0	1	1
76	0	0	3	2	5	5
78	8	0	0	0	0	8
79	0	0	2	13	15	15
80	0	0	2	1	3	3
81	2	0	2	0	2	4
82	5	0	5	0	5	10
83	0	2	0	0	0	0
84	0	0	1	4	5	5
85	3	0	0	0	0	3
86	5	0	0	0	0	5
87	7	0	1	0	1	8
88	8	0	15	0	15	23
89	1	0	0	0	0	1
90	8	6	3	0	3	11
91	2	0	0	0	0	2
92	3	0	22	0	22	25
93	1	0	2	0	2	3
94	13	0	0	0	0	13
95	1	2	2	0	2	3
96	2	1	1	0	1	3
99	2	0	1	0	1	3
101	2	0	0	0	0	2
102	0	0	5	8	13	13
103	1	0	0	0	0	1
104	2	0	10	0	10	12
106	1	0	2	1	3	4
107	0	0	4	0	4	4
108	16	0	0	0	0	16
109	5	0	0	0	0	5
110	10	0	0	0	0	10
111	1	2	0	0	0	1
112	1	1	0	0	0	1
113	2	0	0	0	0	2
115	0	0	4	0	4	4
116	2	0	5	5	10	12
117	5	1	3	0	3	8
118	10	0	1	0	1	11
119	0	0	1	0	1	1
120	4	0	0	0	0	4
121	0	0	8	2	10	10
122	11	0	0	0	0	11
123	6	0	0	0	0	6
126	12	2	0	0	0	12
127	5	1	0	0	0	5
128	1	0	1	0	1	2
129	0	0	2	0	2	2
130	1	0	6	1	7	8
131	2	1	0	0	0	2
132	6	0	1	0	1	7
133	0	0	9	0	9	9
134	4	2	0	0	0	4
135	8	0	4	0	4	12
136	0	0	1	0	1	1
137	4	0	0	0	0	4
139	0	0	0	1	1	1
140	5	1	0	0	0	5
141	0	0	2	7	9	9
142	1	0	0	0	0	1
143	0	1	0	0	0	0
144	1	0	0	0	0	1
145	0	0	1	6	7	7
146	0	0	1	2	3	3
147	3	1	0	0	0	3
148	1	0	4	0	4	5
149	2	0	0	0	0	2
150	2	0	0	0	0	2
151	1	0	0	0	0	1
152	1	0	0	0	0	1
153	1	0	2	0	2	3
154	0	0	3	10	13	13
156	0	0	1	0	1	1
157	0	0	5	9	14	14
158	6	0	0	0	0	6
159	3	0	4	0	4	7
160	3	0	0	0	0	3
161	2	0	0	0	0	2
162	0	0	1	0	1	1
163	0	0	1	5	6	6
164	5	0	2	0	2	7
165	7	0	0	0	0	7
166	0	0	14	0	14	14
167	2	1	0	0	0	2
168	14	1	0	0	0	14
169	5	0	0	0	0	5
170	1	2	0	0	0	1
171	6	0	0	0	0	6
172	7	0	0	0	0	7
173	0	0	1	6	7	7
174	0	0	3	0	3	3
175	7	0	0	0	0	7
176	1	0	16	0	16	17
177	1	0	5	1	6	7
178	11	0	0	0	0	11
179	3	0	0	0	0	3
180	0	0	4	3	7	7
181	4	0	5	0	5	9
182	4	0	22	0	22	26
183	4	0	42	0	42	46
184	2	0	1	0	1	3
185	0	0	1	0	1	1
186	9	0	0	0	0	9
187	17	1	4	0	4	21
190	1	0	2	0	2	3
191	2	0	0	0	0	2
192	3	3	0	0	0	3
193	3	0	3	0	3	6
194	17	1	8	0	8	25
195	1	0	0	0	0	1
196	8	5	0	0	0	8
197	6	0	1	0	1	7
198	18	0	7	0	7	25
199	1	0	1	1	2	3
200	2	0	0	0	0	2
201	3	1	0	0	0	3
202	11	0	1	0	1	12
203	1	0	0	0	0	1
204	3	2	6	0	6	9
205	2	0	11	0	11	13
206	8	0	0	0	0	8
207	4	0	8	0	8	12
208	0	0	1	0	1	1
209	0	0	1	0	1	1
210	3	0	0	0	0	3
211	3	0	0	0	0	3
212	1	0	11	0	11	12
213	1	0	0	0	0	1
214	5	0	5	0	5	10
215	21	0	0	0	0	21
216	7	0	1	0	1	8
217	3	0	6	0	6	9
218	6	0	7	1	8	14
219	1	0	0	0	0	1

[[2]]

TABLA 3: Número de tramos identificados por cada área de prospección según nivel de prioridad. Escenario de densidad: 150 kilómetros cuadrados

Área de prospección	moderadamente prioritario	prioritario	imprescindible	marginalmente prioritario	Total prioritario + imprescindible	Total moderadamente prioritario + prioritario + imprescindible
1	1	2	0	0	2	3
3	5	0	0	0	0	5
4	0	0	1	0	1	1
5	8	1	0	1	1	9
6	0	11	0	0	11	11
7	6	6	2	0	8	14
8	2	2	0	0	2	4
9	8	0	0	0	0	8
10	1	0	0	0	0	1
11	4	0	0	0	0	4
12	0	1	0	0	1	1
13	36	0	0	0	0	36
14	2	0	0	1	0	2
15	2	19	0	0	19	21
16	11	3	0	0	3	14
17	2	0	0	0	0	2
18	2	0	0	0	0	2
19	0	2	4	0	6	6
20	22	11	0	0	11	33
22	13	1	0	0	1	14
23	7	1	0	0	1	8
24	3	0	0	0	0	3
25	10	1	0	0	1	11
26	5	0	0	2	0	5
27	0	5	0	1	5	5
28	16	1	0	0	1	17
29	1	3	0	0	3	4
30	2	2	1	0	3	5
31	0	5	1	0	6	6
33	6	6	0	0	6	12
34	2	0	0	1	0	2
35	0	2	2	0	4	4
36	1	0	0	0	0	1
38	22	0	0	0	0	22
39	8	4	0	1	4	12
40	2	0	0	0	0	2
41	26	10	0	1	10	36
42	21	0	0	0	0	21
44	1	0	3	0	3	4
45	6	0	1	0	1	7
46	0	13	0	0	13	13
47	2	0	0	0	0	2
48	2	12	0	0	12	14
49	3	0	0	0	0	3
50	13	13	0	0	13	26
51	2	0	0	3	0	2
52	14	3	0	0	3	17
53	0	1	0	0	1	1
54	3	0	0	0	0	3
55	4	0	0	2	0	4
56	46	0	0	0	0	46
57	0	6	0	0	6	6
58	0	3	2	0	5	5
59	1	0	0	0	0	1
60	8	0	0	0	0	8
61	0	3	13	0	16	16
62	0	3	1	0	4	4
63	0	1	4	0	5	5
64	9	0	0	1	0	9
65	9	15	0	0	15	24
66	5	0	0	0	0	5
67	12	3	0	7	3	15
68	2	0	0	2	0	2
69	9	36	0	0	36	45
70	1	4	0	0	4	5
71	16	0	0	0	0	16
72	1	6	0	2	6	7
73	2	1	0	1	1	3
75	1	0	0	0	0	1
76	2	1	0	0	1	3
78	3	0	0	0	0	3
79	0	5	8	0	13	13
80	2	10	0	0	10	12
81	1	0	0	0	0	1
82	1	2	1	0	3	4
83	0	8	0	0	8	8
84	20	0	0	0	0	20
85	6	0	0	0	0	6
86	13	0	0	0	0	13
87	2	0	0	2	0	2
88	4	0	0	1	0	4
89	4	3	0	0	3	7
90	7	0	0	0	0	7
91	14	9	0	0	9	23
92	0	1	6	0	7	7
93	1	4	0	0	4	5
94	11	0	0	0	0	11
95	2	21	0	0	21	23
96	1	6	1	0	7	8
97	11	0	0	0	0	11
98	9	0	0	0	0	9
99	0	4	3	0	7	7
100	5	6	0	0	6	11
101	5	25	0	0	25	30
102	4	44	0	0	44	48
103	2	1	0	0	1	3
104	1	7	0	0	7	8
105	12	0	0	0	0	12
106	17	14	0	1	14	31
109	1	2	0	0	2	3
110	2	0	0	0	0	2
111	5	0	0	5	0	5
112	9	7	0	0	7	16
113	23	8	0	1	8	31
114	1	0	0	1	0	1
115	15	0	0	7	0	15
116	6	1	0	0	1	7
117	22	9	0	0	9	31
118	1	6	1	0	7	8
119	2	0	0	0	0	2
120	3	0	0	1	0	3
121	13	2	0	0	2	15
122	2	0	0	0	0	2
123	3	6	0	2	6	9
124	3	12	4	0	16	19
125	8	0	0	0	0	8
126	5	8	0	0	8	13
127	3	5	0	0	5	8
128	0	1	0	0	1	1
129	3	0	0	0	0	3
130	4	9	0	0	9	13
131	6	14	0	0	14	20
132	1	0	0	0	0	1
133	5	5	0	0	5	10
134	24	0	0	0	0	24
135	7	1	0	0	1	8
136	3	6	0	0	6	9
137	6	7	3	0	10	16
138	2	0	1	0	1	3

[[3]]

TABLA 3: Número de tramos identificados por cada área de prospección según nivel de prioridad. Escenario de densidad: 250 kilómetros cuadrados

Área de prospección	moderadamente prioritario	prioritario	imprescindible	marginalmente prioritario	Total prioritario + imprescindible	Total moderadamente prioritario + prioritario + imprescindible
1	1	2	0	0	2	3
3	7	0	0	0	0	7
4	0	1	8	0	9	9
5	1	11	0	0	11	12
6	10	14	5	0	19	29
7	12	4	0	0	4	16
8	9	0	0	3	0	9
9	4	0	0	1	0	4
10	0	5	1	0	6	6
11	45	0	0	0	0	45
12	14	0	0	2	0	14
13	4	21	0	0	21	25
14	14	4	0	0	4	18
15	3	0	0	0	0	3
17	16	1	0	0	1	17
18	3	0	0	0	0	3
19	15	3	0	0	3	18
20	9	0	0	3	0	9
21	0	8	0	1	8	8
22	22	2	0	0	2	24
23	1	3	0	0	3	4
24	2	6	1	0	7	9
25	0	0	3	0	3	3
26	8	6	0	0	6	14
27	0	7	3	0	10	10
28	2	0	0	1	0	2
29	0	0	1	0	1	1
30	9	4	0	4	4	13
31	8	0	0	0	0	8
32	21	0	0	0	0	21
33	0	1	0	0	1	1
34	2	0	3	0	3	5
35	7	0	1	0	1	8
36	0	15	0	0	15	15
37	2	0	0	0	0	2
38	14	25	0	0	25	39
39	35	6	0	0	6	41
40	7	0	0	0	0	7
41	22	9	0	0	9	31
42	0	2	7	0	9	9
43	4	8	0	0	8	12
44	22	0	0	0	0	22
45	4	22	0	1	22	26
46	2	9	3	0	12	14
47	17	0	0	0	0	17
48	0	5	4	0	9	9
49	9	6	0	0	6	15
50	21	43	0	0	43	64
51	7	56	0	0	56	63
52	4	10	0	4	10	14
53	20	4	0	0	4	24
54	24	19	1	1	20	44
57	1	2	0	1	2	3
58	2	0	0	0	0	2
59	6	0	0	5	0	6
60	12	9	0	0	9	21
61	40	15	0	1	15	55
62	5	0	0	2	0	5
63	22	0	0	7	0	22
64	7	1	0	0	1	8
65	26	21	0	0	21	47
66	1	7	1	0	8	9
67	12	0	0	0	0	12
68	3	0	0	2	0	3
69	14	3	0	0	3	17
70	2	0	0	0	0	2
71	3	6	0	2	6	9
72	13	0	0	1	0	13
73	5	10	0	0	10	15
74	3	12	0	0	12	15
75	3	0	0	0	0	3
76	5	14	0	0	14	19
77	6	14	0	0	14	20
78	5	0	0	0	0	5
79	9	6	0	0	6	15
80	30	0	0	0	0	30
81	7	1	0	0	1	8
85	25	19	6	0	25	50
82	6	16	8	0	24	30
83	2	1	2	0	3	5
84	2	3	0	0	3	5

# mapas <- sapply(
#   seq_along(centroides), function(x){
#     p <- ggplot(data = centroides[[x]]) + aes(color = value) +
#       geom_sf(data = pais, fill = 'transparent', color = 'grey50') +
#       geom_sf(alpha = 0.8, size = 1.5)
#     return(p)}, simplify = F)
# sapply(mapas, print)

Resúmenes. Número de áreas de prospección en las que se propone instrumentar.

map(escenario, function(x) resultados_por_area[[x]] %>%
      st_drop_geometry() %>% 
      select(matches('imprescindible|Total')) %>% 
      mutate_all( ~ ifelse(.>0, 1, 0)) %>%
      mutate_all( ~sum(., na.rm = T)) %>% 
      distinct %>% 
      kable(format = 'html', escape = F, booktabs = T,
      caption = paste0('Número de áreas de prospección en las que se propone instrumentar.',
                       'Escenario de densidad: ', x, ' kilómetros cuadrados')) %>%
      kable_styling(bootstrap_options = c("hover", "condensed"), full_width = T))

[[1]]

TABLA 4: Número de áreas de prospección en las que se propone instrumentar.Escenario de densidad: 100 kilómetros cuadrados

imprescindible	Total prioritario + imprescindible	Total moderadamente prioritario + prioritario + imprescindible
28	102	190

[[2]]

TABLA 4: Número de áreas de prospección en las que se propone instrumentar.Escenario de densidad: 150 kilómetros cuadrados

imprescindible	Total prioritario + imprescindible	Total moderadamente prioritario + prioritario + imprescindible
21	78	129

[[3]]

TABLA 4: Número de áreas de prospección en las que se propone instrumentar.Escenario de densidad: 250 kilómetros cuadrados

imprescindible	Total prioritario + imprescindible	Total moderadamente prioritario + prioritario + imprescindible
17	55	81

obj <- paste0('esc_', escenario, '_', redundancia, '_mapa')
assign(obj,
       bind_rows(esc %>% st_geometry %>% st_as_sf() %>%
                   mutate(id='sitios propuestos'),
                 estaciones %>% st_geometry %>% st_as_sf() %>%
                   mutate(id='estaciones existentes')) %>%
         ggplot +
         geom_sf(data = pais, fill = 'transparent', color = 'grey50') +
         geom_sf(alpha = 0.8, aes(fill = id, shape = id), size = 1.5) +
         scale_fill_manual(values = c('grey70', 'black')) +
         scale_shape_manual(values = c(25, 21)) +
         # geom_sf(data = all_criteria_scores_excluded,
         #         aes(fill = `Categoría agregada`), lwd = 0, alpha = 0.4) +
         # scale_fill_manual(values = paleta) +
         labs(title = paste0(trimws(names(escenarios)[indice]),'\n',
                             'Eliminación de redundancia respecto de estaciones ',
                             gsub('_', '+', redundancia))) +
         theme_bw() + 
         ggspatial::annotation_scale(style = 'ticks') +
         theme(legend.title = element_blank())) 
get(obj) #Mapa

Nota sobre criterios no usados en esta primera evaluación, reservados para futuros intentos

Transcribimos en esta sección una lista de criterios inicialmente considerados, pero que finalmente decidimos no incluir en esta primera evaluación, a efectos de mantener el procedimiento lo más simple posible, y debido a que el tiempo de cómputo que requerían excedía el inicialmente previsto.

• Frecuencia de inundado. Se puede estimar por teledetección óptica y radar, pero consideramos que no aportaría nuevos elementos más de allá de la propia inspección visual que realizamos en imágenes de alta resolución. Para más detalles, consultar el trabajo de Chen y Zhao (2022), y ver repositorio asociado.
• SPI, ¿balance hídrico? Esta variable se podría generar para el país, pero es probable que no aporte muchos más elementos para elegir sitios prioritarios. De todas formas, se podría evaluar su cómputo.
• Variables que pueden generarse con el complemento r.basin y otros de GRASS GIS y software que hemos desarrollados en otras investigaciones (Martinez Batlle 2019; Martínez-Batlle 2019). Esta variables son relativamente fáciles de generar, pero abultarían mucho la selección de criterios. No obstante, para las cuencas drenadas por las estaciones hidrométricas actuales y propuestas, podría ser de gran interés como forma de caracterizar el territorio instrumentado y potencialmente a instrumentar:
  • Tiempo de concentración (alejamiento medio).
  • Coeficiente de torrencialidad.
  • Razón de elongación / compacidad / circularidad.
  • Concavidad transversal.
  • TPI, TRI, TWI.
  • Pendiente media.
  • Índice de concavidad.
  • Integral hipsométrica.

TODO

• Ejecutar r.basin
• Topología de red
• Variación espacial de las variables morfométricas: \(R_b\), densidad de drenaje
• Incluir las cuencas internacionales de forma íntegra, especialmente, el Artibonito.
• Estimar la anchura de cauce con vectoriales.

Referencias

ASF DAAC. 2015. «ALOS PALSAR_Radiometric_Terrain_Corrected_high_res. Includes material de JAXA/METI 2010». Available online. Accessed through ASF DAAC https://asf.alaska.edu/. DOI: https://doi.org/10.5067/Z97HFCNKR6VA (accessed on abril, 2023).

Aziz, Khaled Mahmoud Abdel, y Karim Samir Rashwan. 2022. «Comparison of Different Resolutions of Six Free Online DEMs with GPS Elevation Data on a New 6th of October City, Egypt». Arabian Journal of Geosciences 15 (20): 1585. https://doi.org/10.1007/s12517-022-10845-5.

Burn, Donald H. 1997. «Hydrological Information for Sustainable Development». Hydrological Sciences Journal 42 (4): 481-92. https://doi.org/10.1080/02626669709492048.

Chen, Zhiheng, y Shuhe Zhao. 2022. «Automatic Monitoring of Surface Water Dynamics Using Sentinel-1 and Sentinel-2 Data with Google Earth Engine». International Journal of Applied Earth Observation and Geoinformation 113 (septiembre): 103010. https://doi.org/10.1016/j.jag.2022.103010.

CIDIAT, y INDRHI. 1992. Control de Inundaciones en la cuenca del Río Yaque del Sur. Instituto Nacional de Recursos Hidráulicos (INDRHI).

Foucault, A., y J. F. Raoult. 1985. Diccionario de Geología. MASSON. https://books.google.com.do/books?id=x5FDPQAACAAJ.

Freedman, David, y Persi Diaconis. 1981. «On the Histogram as a Density Estimator:L 2 Theory». Zeitschrift Für Wahrscheinlichkeitstheorie Und Verwandte Gebiete 57 (4): 453-76. https://doi.org/10.1007/BF01025868.

GADM. 2022. «GADM». Available online: https://gadm.org/index.html (accessed on abril, 2023).

Gallant, John C., y Trevor I. Dowling. 2003. «A Multiresolution Index of Valley Bottom Flatness for Mapping Depositional Areas: MULTIRESOLUTION VALLEY BOTTOM FLATNESS». Water Resources Research 39 (12). https://doi.org/10.1029/2002WR001426.

GDAL/OGR contributors. 2022. GDAL/OGR Geospatial Data Abstraction software Library. Open Source Geospatial Foundation. https://doi.org/10.5281/zenodo.5884351.

Google; Airbus, CNES; Airbus, Landsat; Copernicus; Maxar Technologies; U.S. Geological Survey. 2023. «Google Maps». https://www.google.com/maps/.

GRASS Development Team. 2022. Geographic Resources Analysis Support System (GRASS) Software, Version 8.0.2. USA: Open Source Geospatial Foundation. https://grass.osgeo.org.

Halcrow-COR Ing. S.A. 2002. Estudio de Vulnerabilidad de las Grandes Presas. Instituto Nacional de Recursos Hidráulicos (INDRHI).

INDRHI. 1996. Estadísticas del Agua en la República Dominicana. Instituto Nacional de Recursos Hidráulicos (INDRHI).

———. 2012. Plan Hidrológico Nacional, República Dominicana. Instituto Nacional de Recursos Hidráulicos (INDRHI).

———. 2019. «Inventario de Estaciones Hidrometeorológicas. Informe Final». Santo Domingo: Instituto Nacional de Recursos Hidráulicos.

INDRHI, y AQUATER. 2000. Estudio Hidrogeológico Nacional de la República Dominicana, Fase I. Memoria de Proyecto, 7 volúmenes. Instituto Nacional de Recursos Hidráulicos (INDRHI).

INDRHI, y EPTISA. 2000. Estudio Hidrogeológico Nacional de la República Dominicana, Fase II. Instituto Nacional de Recursos Hidráulicos (INDRHI).

Instituto Cartográfico Militar (ICM). 1989. «Serie E733 de mapas topográficos escala 1:50,000». Santo Domingo: Instituto Cartográfico Militar.

Jasiewicz, JarosŁaw, y Markus Metz. 2011. «A New GRASS GIS Toolkit for Hortonian Analysis of Drainage Networks». Computers & Geosciences 37 (8): 1162-73. https://doi.org/10.1016/j.cageo.2011.03.003.

Jasiewicz, Jarosław, y Tomasz F. Stepinski. 2013. «Geomorphons a Pattern Recognition Approach to Classification and Mapping of Landforms». Geomorphology 182 (enero): 147-56. https://doi.org/10.1016/j.geomorph.2012.11.005.

Lindsay, John B. 2018. «WhiteboxTools user manual». Available online: https://www.whiteboxgeo.com/manual/wbt_book/intro.html (accessed on abril, 2023).

Lindsay, John B. 2016. «The Practice of DEM Stream Burning Revisited: The Practice of DEM Stream Burning Revisited». Earth Surface Processes and Landforms 41 (5): 658-68. https://doi.org/10.1002/esp.3888.

Lindsay, John B., Anthony Francioni, y Jaclyn M. H. Cockburn. 2019. «LiDAR DEM Smoothing and the Preservation of Drainage Features». Remote Sensing 11 (16): 1926. https://doi.org/10.3390/rs11161926.

Marchesini, Ivan, Paola Salvati, Mauro Rossi, Marco Donnini, Simone Sterlacchini, y Fausto Guzzetti. 2021. «Data-Driven Flood Hazard Zonation of Italy». Journal of Environmental Management 294 (septiembre): 112986. https://doi.org/10.1016/j.jenvman.2021.112986.

Martinez Batlle, Jose. 2019. «Drainage rearrangement as a driver of geomorphological evolution during the Upper Pleistocene in a small tropical basin». https://doi.org/10.31223/OSF.IO/PFZVQ.

Martínez-Batlle, José-Ramón. 2019. «Drainage Rearrangement as a Driver of Geomorphological Evolution During the Upper Pleistocene in a Small Tropical Basin». Journal of Geography and Geology 11 (2): 1. https://doi.org/10.5539/jgg.v11n2p1.

Mishra, A. K., y P. Coulibaly. 2010. «Hydrometric Network Evaluation for Canadian Watersheds». Journal of Hydrology 380 (3-4): 420-37. https://doi.org/10.1016/j.jhydrol.2009.11.015.

Mishra, Ashok K., y Paulin Coulibaly. 2009. «Developments in Hydrometric Network Design: A Review». Reviews of Geophysics 47 (2): RG2001. https://doi.org/10.1029/2007RG000243.

Mollat, Hartmut, Bernhard M Wagner, Pavel Cepek, y Wolfgang Weiss. 2004. Mapa Geológico de la República Dominicana 1 : 250.000. Texto Explicativo. Stuttgart: E. Schweizerbart’sche Verlagsbuchhandiung.

OCHA. 2022. «Humanitarian Data Exchange (OCHA)». Available online: https://data.humdata.org/dataset/cod-ab-dom (accessed on abril, 2023).

OEA, y INDRHI. 1994. Plan Nacional de Ordenamiento de los Recursos Hídricos (PNORHI). Instituto Nacional de Recursos Hidráulicos (INDRHI).

Oficina Nacional de Estadística (ONE). 2018. «División territorial de República Dominicana». Available online: https://www.one.gob.do/media/s5gdl00n/divisi%C3%B3n-territorial-2020-t.pdf (accessed on abril, 2023).

OpenStreetMap contributors. 2017. «Planet dump retrieved from https://planet.osm.org ». Available online: https://www.openstreetmap.org (accessed on abril, 2023).

QGIS Development Team. 2021. QGIS Geographic Information System, Version 3.26.2. QGIS Association. https://www.qgis.org.

Rantz, Saul Edward. 1982a. Measurement and computation of streamflow. Volume 1. Measurement of Stage and Discharge. Vol. 2175. US Department of the Interior, Geological Survey.

———. 1982b. Measurement and computation of streamflow. Volume 2. Computation of Discharge. Vol. 2175. US Department of the Interior, Geological Survey.

Rodríguez, H., y J. F. Febrillet. 2006. «Potencial idrogeológico de la República Dominicana». Boletín Geológico y Minero 117.

Rojas Briceño, Nilton B., Rolando Salas López, Jhonsy O. Silva López, Manuel Oliva-Cruz, Darwin Gómez Fernández, Renzo E. Terrones Murga, Daniel Iliquín Trigoso, Miguel Barrena Gurbillón, y Elgar Barboza. 2021. «Site Selection for a Network of Weather Stations Using AHP and Near Analysis in a GIS Environment in Amazonas, NW Peru». Climate 9 (12): 169. https://doi.org/10.3390/cli9120169.

Saunders, William. 2000. «Preparation of DEMs for use in environmental modeling analysis». Hydrologic and Hydraulic Modeling Support. Redlands, CA: ESRI, 2951.

Secretaría de Estado de Medio Ambiente y Recursos Naturales. 2004. Atlas de los Recursos Naturales de la República Dominicana. Secretaría de Estado de Medio Ambiente y Recursos Naturales.

SERCITEC, y INDRHI. 2002. Control de Inundaciones de la cuenca del Río Yaque del Norte. Instituto Nacional de Recursos Hidráulicos (INDRHI).

World Meteorological Organization (WMO), y The International Association of Hydrological Sciences. 1976. Hydrological network design and information transfer. Secretariat of the World Meteorological Organization.